Aprendizaje auto-supervisado para análisis de imágenes en dominios no convencionales: Apoyo a la diagnosis de COVID-19

Hoy en día, las técnicas basadas en aprendizaje progundo o Deep Learning permiten aplicaciones en muchos tipos de tareas. Una de ellas es la visión artificial, la cual está considerada como una de las tecnologías más relevantes en el futuro inmediato de la humanidad. Esta tecnología tiene el potencial para transformar numerosos ámbitos de nuestra vida, como puede ser la medicina, el transporte o la forma en la que interactuamos con nuestros dispositivos. Sin embargo, como cualquier aplicación del aprendizaje profundo, necesita de una gran cantidad de datos para poder ser entrenada. Es por ello que, en numerosas ocasiones en las que la cantidad de datos es reducida, las soluciones proporcionadas por estos algoritmos no producen los resultados esperados. Para solucionar este problema, existen una serie de técnicas que permiten obtener buenos resultados a pesar de la falta de datos. Una de estas técnicas es el aprendizaje auto-supervisado, que utiliza la transferencia de aprendizaje para mitigar esta carencia. El principal objetivo de este Trabajo de Fin de Grado es estudiar la aplicación de esta técnica para el estudio de la detección de COVID-19, mediante imágenes médicas. Para ello, se comienza el estudio realizando un análisis del estado del arte de los conceptos básicos que utiliza este tipo de aprendizaje, entre los que se encuentran las redes neuronales convolucionales y la transferencia de aprendizaje. A continuación, se explican diferentes técnicas que aplican el aprendizaje auto-supervisado, y se profundiza en como se encuentra la situación actual para la detección del COVID-19 mediante imágenes médicas. Posteriormente, se analizará la técnica de aprendizaje auto-supervisado, que utiliza la rotación de imágenes para llevar a cabo su clasificación. Además, se estudiarán las bases de datos y los modelos existentes que emplean imágenes médicas para la investigación del COVID-19. En el siguiente capítulo, se evaluarán comparativamente las potenciales ventajas de utilizar una etapa de aprendizaje auto-supervisado previa al entrenamiento del clasificador para la detección de COVID-19 en imágenes médicas. Por último, basándose en los resultados obtenidos, se llevarán a cabo unas conclusiones finales y se especificarán los posibles trabajos futuros a implementar