Genetic algorithms for hyperparameter tuning of a DC-UNet Model for medical image segmentation

Abstract

La visión por computador es una rama de la inteligencia artificial que permite a las máquinas extraer información de imágenes y realizar tareas como la segmentación de imágenes, que implica dividir una imagen en múltiples regiones para identificar diferentes elementos. La segmentación de imágenes se aplica en el área médica para ayudar al personal de la salud en el diagnóstico de enfermedades de los pacientes basándose en información visual, y se requiere que tengan la mayor precisión posible. En este trabajo, se utiliza un modelo de visión por computador llamado dual channel U-Net (DC-UNet) para la segmentación de imágenes médicas. Específicamente nos enfocamos en el área de la detección de pólipos que son lesiones que pueden variar en tamaño desde unos pocos milímetros hasta varios centímetros, y la importancia de esta aplicación radica en la identificación temprana para la prevención del cáncer colorrectal. Para entrenar el modelo de segmentación se empleó uno de los conjuntos de datos públicos más desafiantes en este campo, llamado CVC-ClinicDB. Estas imágenes médicas corresponden a fotogramas extraídos de vídeos de colonoscopia, cuyas imágenes de referencia consisten en una segmentación binaria entre el pólipo y el fondo. Además, para aumentar el rendimiento del modelo DC-UNet en este desafiante conjunto de datos, proponemos un algoritmo genético que encuentra la combinación de hiperparámetros óptima para esta aplicación en específico. Finalmente, utilizamos diferentes configuraciones genéticas para estudiar el rendimiento de algunos optimizadores en el estado del arte basados en el gradiente con respecto a esta tarea.