Resumen

La falta de disponibilidad de grandes cantidades de datos bien etiquetados supone un reto importante en muchas tareas de imagen médica. Incluso en el caso de que se tenga acceso a suficientes datos, el proceso de etiquetado preciso de los datos es arduo y lleva mucho tiempo, y requiere conocimientos especializados. Una vez más, la cuestión de los datos desequilibrados agrava aún más los problemas mencionados y supone un reto considerable para muchos algoritmos de aprendizaje automático. En lugar de esto, la capacidad de desarrollar algoritmos que puedan explotar grandes cantidades de datos no etiquetados junto con una pequeña cantidad de datos etiquetados, demostrando al mismo tiempo robustez ante el desequilibrio de datos, puede ofrecer perspectivas prometedoras en la construcción de clasificadores altamente eficientes. Este trabajo propone un método de aprendizaje semisupervisado que integra el autoentrenamiento y el aprendizaje automático para generar y seleccionar muestras pseudoetiquetadas para clasificar imágenes histopatológicas de cáncer de mama. Se introduce un novedoso algoritmo de generación y selección de pseudoetiquetas en el esquema de aprendizaje para generar y seleccionar muestras pseudoetiquetadas de alta confianza tanto de clases bien representadas como de clases menos representadas. Este enfoque de aprendizaje mejora el rendimiento mediante el aprendizaje conjunto de un modelo y la optimización de la generación de pseudoetiquetas en datos no etiquetados para aumentar los datos de entrenamiento y volver a entrenar el modelo con las etiquetas generadas. También se propone un marco de equilibrio de clases que normaliza las puntuaciones de confianza por clases para evitar que el modelo ignore las muestras de las clases menos representadas (muestras difíciles de aprender), con lo que se resuelve eficazmente el problema del desequilibrio de datos. La evaluación experimental del método propuesto en el conjunto de datos BreakHis demuestra su eficacia.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:datos etiquetados, desequilibrio de datos, métodos propuestos, gran cantidad, clase representada, amplia evaluación experimental, marco de equilibrio de clases, métodos de aprendizaje semisupervisado, muestra pseudoetiquetada de confianza, generación de pseudoetiquetas
• Keywords:labeled data, data imbalance, proposed methods, large amount, represented class, extensive experimental evaluation, class balancing framework, semisupervised learning methods, confident pseudolabeled sample, generation of pseudolabels