Welcome to the UPF Digital Repository

Application and development of a CNN model to optimize an OligoFISSEQ image obtention pipeline

Show simple item record

dc.contributor.author Martí Aranda, Aina
dc.date.accessioned 2021-11-18T11:48:04Z
dc.date.available 2021-11-18T11:48:04Z
dc.date.issued 2021
dc.identifier.uri http://hdl.handle.net/10230/49015
dc.description Treball de fi de grau en Bioinformàtica. Curs 2020-2021
dc.description Tutors: David Castillo Andreo i Marc A. Marti-Renom
dc.description.abstract En aquest projecte s’ha explorat l’aplicació d’una intel·ligència artificial al procés d’obtenció d’imatges d’OligoFISSEQ per tal de classificar-les segons la seva qualitat. S’han desenvolupat i provat diferents processos de preparació de les imatges, arquitectura de models i augment de dades. L’estudi ha aconseguit els millors models amb errors quadràtics mitjans de 0.0149 per al model 4, 0.0131 per al model 3, 0.0109 per al model 2 i 0.0169 per al model 1, els quals utilitzats com a classificadors binaris han resultat en precisions de 0.64, 0.80, 0.88, i 0.88 a la validació externa, respectivament.
dc.description.abstract En este proyecto se ha explorado la aplicación de una inteligencia artificial al proceso de obtención de imágenes de OligoFISSEQ, con tal de clasificarlas según su calidad. Se han desarrollado i probado diferentes procesos de preparación de las imágenes, arquitectura de modelos i aumento de datos. El estudio ha conseguido los mejores modelos con errores cuadráticos medianos de 0.0149 para el modelo 4, 0.0131 para el modelo 3, 0.0109 para el modelo 2 i 0.0169 para el modelo 1, los cuales utilizados como clasificadores binarios han resultado en precisiones de 0.64, 0.80, 0.88, i 0.88 en la validación externa, respectivamente.
dc.description.abstract In this project we have explored the application of an artificial intelligence deep learning algorithm (DLA) in the OligoFISSEQ image acquisition protocol to classify the obtained images according to their expected quality. We developed and tested several approaches for image preprocessing, model architecture, and data augmentation. This study achieved the best regression models with mean squared errors of 0.0149 for model 4, 0.0131 for model 3, 0.0109 for model 2, and 0.0169 for model 1, which used as binary classifiers yielded accuracies of 0.64, 0.80, 0.88, and 0.88 in the external validation dataset, respectively.
dc.format.mimetype application/pdf
dc.language.iso eng
dc.rights This is an Open Access article distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivs 3.0 license
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.subject.other Treball de fi de grau – Curs 2020-2021
dc.subject.other Xarxes neuronals (Informàtica)
dc.subject.other Intel·ligència artificial
dc.subject.other Convolucions (Matemàtica)
dc.title Application and development of a CNN model to optimize an OligoFISSEQ image obtention pipeline
dc.type info:eu-repo/semantics/bachelorThesis
dc.subject.keyword OligoFISSEQ
dc.subject.keyword Redes Neuronales
dc.subject.keyword Convolucionales
dc.subject.keyword Inteligencia artificial
dc.subject.keyword Convolutional neural networks
dc.subject.keyword Artificial intelligence
dc.rights.accessRights info:eu-repo/semantics/openAccess

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account

Statistics

In collaboration with Compliant to Partaking