Masterscriptie, Vision AI voor medische beeldclassificatie
Onderzoek waarin de Semantic Learning Machine (SLM) vergeleken werd met klassieke ML-algoritmes op binary en multi-class classificatie van pneumonia X-ray beelden.
- rol
- Student / onderzoeker
- periode
- 2020/01 → 2020/07
- domein
- healthcare
"Een methode die theoretisch elegant is moet zich nog steeds bewijzen tegen brute-force baselines."
Masterscriptie aan NOVA IMS, Universidade Nova de Lisboa, juli 2020. Master Data Science & Advanced Analytics. Begeleid door prof. Mauro Castelli en dr. Ivo Gonçalves. Open access, CC-BY-4.0.
Volledige titel: "The outperformance of the semantic learning machine, against commonly used algorithms, for binary and multi-class medical image classification", run.unl.pt
Het probleem
Pneumonia detecteren op röntgenfoto's, en binnen die positieve gevallen onderscheiden tussen bacteriële en virale infectie. Klinisch relevant omdat de behandeling verschilt: antibiotica werken niet tegen viraal.
De methodologische vraag erachter: presteert de Semantic Learning Machine (SLM), een relatief nieuwe geometrische semantische hill climber voor feedforward neural networks, beter dan klassieke ML-algoritmes op deze taak?
De aanpak
Feature extraction via transfer learning
Beelden zijn rijk, ML-modellen zoals SVM of Random Forest werken op feature-vectoren. Brug daartussen: meerdere ImageNet pre-trained CNNs als feature-extractor inzetten. Elke X-ray wordt zo omgezet naar een numerieke representatie die de structurele info uit het beeld behoudt.
Dit is dezelfde transfer-learning aanpak die je in 2024 nog steeds tegenkomt in zonnepaneeldetectie en vele andere CV-pipelines.
Modelvergelijking
Vijf algoritmes vergeleken op zowel binary (pneumonia ja/nee) als multi-class taak (gezond / bacterieel / viraal):
| Algoritme | Type |
|---|---|
| Semantic Learning Machine (SLM) | Geometrische semantische methode |
| Random Forest | Ensemble van decision trees |
| Support Vector Machine | Margin-based classifier |
| K-Nearest Neighbors | Instance-based |
| Klassieke Neural Network | MLP baseline |
Volledige hyperparameter-optimalisatie op elk model, geen handicap voor de baselines. Dat maakt de vergelijking eerlijk.
Wat het opleverde
Resultaten gepubliceerd via NOVA IMS' open-access repository (CC-BY-4.0). Bijdrage aan de literatuur over geometrische semantische methodes in medische beeldclassificatie. Specifieke onderbouwing van wanneer SLM wel/niet uitperformt op deze taak.
Wat ik specifiek deed
Volledig zelfstandig onderzoek, experimenten draaien, modellen vergelijken, schrijfwerk. Begeleid op methodologie door prof. Castelli en dr. Gonçalves.
Wat ik ervan heb meegenomen
- Een theoretisch elegante methode (SLM met geometrische semantiek) moet zich nog steeds bewijzen tegen brute-force baselines. Niet vanzelfsprekend.
- Hyperparameter-optimalisatie is structureel ondergewaardeerd, een correct geoptimaliseerd Random Forest is verrassend sterk. Wie z'n baselines slordig tunet, "wint" makkelijk met de favoriete nieuwe methode.
- Transfer learning is een werkpaard. ImageNet pre-train → fine-tune op kleine gelabelde dataset werkt al jaren onverminderd goed, in compleet andere domeinen, zie ook Rotterdam zonnepanelen-detectie.
Sleutelwoorden
Pneumonia · Semantic Learning Machine (SLM) · Convolutional Neural Networks (CNN) · Multi-Class Image Predictions · Image Classification · Geometric Semantic · GSGP · Genetic Programming
Gerelateerd
- Zonnepaneeldetectie op daken (case study), vergelijkbare CNN + transfer learning aanpak, ander domein
- Zwerfafvaldetectie met scanauto's, ook vision-AI, nu in publieke ruimte
- Skills: Computer vision
- Topics: Vision AI, Transfer learning
Skills, topics & tech
Gerelateerd werk
Zonnepaneeldetectie op daken bij Gemeente Rotterdam
Transfer learning met CNN-architecturen (Xception, VGG16) op luchtfoto's voor energietransitie-monitoring, koppeling met BAG en zonpotentie-berekening.
Zwerfafvaldetectie met scanauto's (Rotterdam)
Vision-AI op straatbeelden uit gemeentevoertuigen, heatmap van schoonniveau om reinigingsroutes datagedreven te plannen.
Groene daken in kaart bij Gemeente Rotterdam
Vision-AI op luchtfoto's voor de Monitor Groene Daken, semantic segmentation met U-Net op dakvlakken, gekoppeld aan BAG en AHN.