Segmentación semi-automática de tejido adiposo en el espacio parafaríngeo por medio de aprendizaje profundo

El Síndrome de Apnea e Hipopnea Obstructiva del Sueño (SAHOS) tiene un gran impacto en las enfermedades del corazón y en la aparición de accidentes cardiovasculares en las personas que lo padecen. Existe una correlación entre el tejido adiposo en el espacio parafaríngeo, las áreas de colapso de las...

Full description

Autores:
Ruiz Bulla, Juan Sebastian
Castillo Chíquiza, David Alejandro
Falla Pulido, Oscar David
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Pontificia Universidad Javeriana
Repositorio:
Repositorio Universidad Javeriana
Idioma:
spa
OAI Identifier:
oai:repository.javeriana.edu.co:10554/63558
Acceso en línea:
http://hdl.handle.net/10554/63558
Palabra clave:
Espacio parafaríngeo
Segmentación de imágenes
SAHOS
Aprendizaje Profundo
Redes neuronales convolucionales
Parapharyngeal space
Image segmentation
OSAHS
Deep Learning
Convolutional neural networks
Ingeniería de sistemas - Tesis y disertaciones académicas
Aprendizaje de máquinas
Redes neuronales (Informática)
Apnea obstructiva del sueño
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional
Description
Summary:El Síndrome de Apnea e Hipopnea Obstructiva del Sueño (SAHOS) tiene un gran impacto en las enfermedades del corazón y en la aparición de accidentes cardiovasculares en las personas que lo padecen. Existe una correlación entre el tejido adiposo en el espacio parafaríngeo, las áreas de colapso de las vías respiratorias y la gravedad de la enfermedad en personas con SAHOS. Por lo tanto, la detección precisa de este tejido en imágenes médicas puede ser útil para confirmar la presencia de SAHOS, su grado de gravedad y condiciones de comorbilidad. Para segmentar el tejido adiposo y apoyar la investigación de SAHOS, se propone un modelo de red neuronal convolucional 3D-Unet. El codificador de dicho modelo utiliza la función de activación sigmoide para recopilar más características de contexto para realizar una detección más precisa de este tejido en el decodificador mediante la función de activación ReLU. Este modelo consiguió un coeficiente DICE del 80%.