Organ segmentation with computerized tomography images using neural networks / Shirley Lizeth Chuquín Rivera ; tutor Erick Eduardo Cuenca Pauta
Tipo de material:
TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2021Descripción: 66 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Ingeniero/a en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2021 Resumen: Actualmente el análisis y estudio de las imágenes médicas con Inteligencia Artificial ha adquirido un rol importante. Esto debido a que el área de la salud es una de las más importantes áreas en la vida diaria. Normalmente los doctores brindan diagnósticos acertados a sus pacientes, pero en varios casos dar un diagnóstico requiere de tiempo y análisis. Por ejemplo, el uso de imágenes computarizadas depende mucho de personal especializado y que las máquinas estén disponibles para obtener esas imágenes. Debido a esto, las áreas de las ciencias computacionales trabajan en diferentes enfoques para el estudio de imágenes médicas. Por lo tanto, el presente trabajo se basa principalmente en el estudio de imágenes computarizadas usando Redes Neuronales que permitan una segmentación de órganos. Para este estudio se han elegido imágenes computarizadas del hígado. Debido a que el hígado es uno de los principales órganos para los diagnósticos médicos. Para lograr el objetivo se realizó una implementación de dos arquitecturas, una Red neural Convolucional básica que codifica y decodifica y otra Red Neuronal llamada U-Net. El paso más importante para ello es la manipulación de los datos, en este caso la manipulación de las imágenes. Para ello se realizó un pre procesamiento usando algoritmos de procesamiento de imágenes con el objetivo de mejorar la calidad de las imágenes de entrada. Además, se evaluaron las implementaciones realizando una comparación de diferentes métricas como la pérdida, la precisión, el coeficiente de Dice y el error cuadrático medio. Obteniendo como resultado mejores valores de similitud con el coeficiente de Dice el cual es el que dicta la precisión de la segmentación. Sin embargo, la precisión no es muy alta en comparación entre los dos métodos. Por esta razón es necesario un trabajo futuro más robusto y con más datos.
| Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
|---|---|---|---|---|---|---|---|---|
Tesis
|
Biblioteca Yachay Tech | ECMC0086 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000137 |
Trabajo de integración curricular (Ingeniero/a en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2021
Incluye referencias bibliográficas (páginas 39-45)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
Actualmente el análisis y estudio de las imágenes médicas con Inteligencia Artificial ha adquirido un rol importante. Esto debido a que el área de la salud es una de las más importantes áreas en la vida diaria. Normalmente los doctores brindan diagnósticos acertados a sus pacientes, pero en varios casos dar un diagnóstico requiere de tiempo y análisis. Por ejemplo, el uso de imágenes computarizadas depende mucho de personal especializado y que las máquinas estén disponibles para obtener esas imágenes. Debido a esto, las áreas de las ciencias computacionales trabajan en diferentes enfoques para el estudio de imágenes médicas. Por lo tanto, el presente trabajo se basa principalmente en el estudio de imágenes computarizadas usando Redes Neuronales que permitan una segmentación de órganos. Para este estudio se han elegido imágenes computarizadas del hígado. Debido a que el hígado es uno de los principales órganos para los diagnósticos médicos. Para lograr el objetivo se realizó una implementación de dos arquitecturas, una Red neural Convolucional básica que codifica y decodifica y otra Red Neuronal llamada U-Net. El paso más importante para ello es la manipulación de los datos, en este caso la manipulación de las imágenes. Para ello se realizó un pre procesamiento usando algoritmos de procesamiento de imágenes con el objetivo de mejorar la calidad de las imágenes de entrada. Además, se evaluaron las implementaciones realizando una comparación de diferentes métricas como la pérdida, la precisión, el coeficiente de Dice y el error cuadrático medio. Obteniendo como resultado mejores valores de similitud con el coeficiente de Dice el cual es el que dicta la precisión de la segmentación. Sin embargo, la precisión no es muy alta en comparación entre los dos métodos. Por esta razón es necesario un trabajo futuro más robusto y con más datos.
Textos en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.