Deep Convolutional Generative Adversarial Networks (DCGANs) and transfer learning for Alzheimer’s disease classification / Jaylenne Salomé Aguilar Martínez ; tutor Rigoberto Salomón Fonseca Delgado
Tipo de material:
TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2024Descripción: 64 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Ingeniero/a Biomédico/a). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2024 Resumen: La enfermedad de Alzheimer (EA) presenta un desafío de salud global apremiante, con proyecciones que indican su impacto en 139 millones de personas para el año 2050. Sin embargo, el acceso a resonancias magnéticas (MRI) para el diagnóstico de la EA sigue siendo limitado y éticamente complejo, exacerbado por el desequilibrio frecuente encontrado en conjuntos de datos de acceso abierto. Este estudio aborda estos desafíos empleando Redes Generativas Antagónicas Convolucionales Profundas (DCGANs) para generar imágenes sintéticas de resonancia magnética cerebral que reflejan diversas etapas de la EA. El objetivo principal de este trabajo es utilizar DCGANs junto con un clasificador (MobileNetV2) para mejorar el reconocimiento de las etapas de la EA mediante MRI. Nuestros resultados demuestran un notable aumento del 11% en precisión, logrando una precisión del 88% en la clasificación de etapas de la EA con la ayuda de DCGANs, en comparación con el uso del conjunto de datos original solo (precisión del 77%). Además, se calcularon índices de calidad de imagen como SSIM y MSE para evaluar las imágenes sintéticas. A pesar de limitaciones, como el emparejamiento incorrecto de patrones entre conjuntos de datos de prueba y entrenamiento, esta investigación subraya el considerable potencial de DCGANs en el avance del diagnóstico asistido por computadora de la EA. Futuras líneas de investigación podrían explorar la refinación de metodologías de entrenamiento de modelos y expandir el alcance para abarcar métricas adicionales relacionadas con la EA para un soporte diagnóstico integral.
| Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
|---|---|---|---|---|---|---|---|---|
Tesis
|
Biblioteca Yachay Tech | ECBI0201 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000716 |
Navegando Biblioteca Yachay Tech estanterías Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
Trabajo de integración curricular (Ingeniero/a Biomédico/a). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2024
Incluye referencias bibliográficas (páginas 46-50)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
La enfermedad de Alzheimer (EA) presenta un desafío de salud global apremiante, con proyecciones que indican su impacto en 139 millones de personas para el año 2050. Sin embargo, el acceso a resonancias magnéticas (MRI) para el diagnóstico de la EA sigue siendo limitado y éticamente complejo, exacerbado por el desequilibrio frecuente encontrado en conjuntos de datos de acceso abierto. Este estudio aborda estos desafíos empleando Redes Generativas Antagónicas Convolucionales Profundas (DCGANs) para generar imágenes sintéticas de resonancia magnética cerebral que reflejan diversas etapas de la EA. El objetivo principal de este trabajo es utilizar DCGANs junto con un clasificador (MobileNetV2) para mejorar el reconocimiento de las etapas de la EA mediante MRI. Nuestros resultados demuestran un notable aumento del 11% en precisión, logrando una precisión del 88% en la clasificación de etapas de la EA con la ayuda de DCGANs, en comparación con el uso del conjunto de datos original solo (precisión del 77%). Además, se calcularon índices de calidad de imagen como SSIM y MSE para evaluar las imágenes sintéticas. A pesar de limitaciones, como el emparejamiento incorrecto de patrones entre conjuntos de datos de prueba y entrenamiento, esta investigación subraya el considerable potencial de DCGANs en el avance del diagnóstico asistido por computadora de la EA. Futuras líneas de investigación podrían explorar la refinación de metodologías de entrenamiento de modelos y expandir el alcance para abarcar métricas adicionales relacionadas con la EA para un soporte diagnóstico integral.
Textos en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.