Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial
Se desarrolló una herramienta de software que analiza imágenes diagnósticas de tipo MRI en su secuencia T1-Weighted y busca características discriminantes dentro de la anatomía cerebral presentada en las imágenes para que, de esta manera, sea posible, según el caso, determinar la presencia de atrofi...
- Autores:
-
Carrillo López, Cristhian David
Castrillón Calderón, Camilo Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/14043
- Acceso en línea:
- https://hdl.handle.net/10614/14043
https://red.uao.edu.co/
- Palabra clave:
- Ingeniería Mecatrónica
Ingeniería Biomédica
Inteligencia artificial
Redes neurales (Computadores)
Enfermedad de Alzheimer
Artificial intelligence
Neural networks (Computer science)
Alzheimer's disease
Patología
Redes neuronales
Biomarcadores
- Rights
- openAccess
- License
- Derechos reservados - Universidad Autónoma de Occidente, 2021
id |
REPOUAO2_0cc5325ed53ca160f7e5ccd1c489f6e4 |
---|---|
oai_identifier_str |
oai:red.uao.edu.co:10614/14043 |
network_acronym_str |
REPOUAO2 |
network_name_str |
RED: Repositorio Educativo Digital UAO |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial |
title |
Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial |
spellingShingle |
Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial Ingeniería Mecatrónica Ingeniería Biomédica Inteligencia artificial Redes neurales (Computadores) Enfermedad de Alzheimer Artificial intelligence Neural networks (Computer science) Alzheimer's disease Patología Redes neuronales Biomarcadores |
title_short |
Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial |
title_full |
Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial |
title_fullStr |
Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial |
title_full_unstemmed |
Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial |
title_sort |
Deteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia Artificial |
dc.creator.fl_str_mv |
Carrillo López, Cristhian David Castrillón Calderón, Camilo Andrés |
dc.contributor.advisor.none.fl_str_mv |
López Sotelo, Jesús Alfonso |
dc.contributor.author.none.fl_str_mv |
Carrillo López, Cristhian David Castrillón Calderón, Camilo Andrés |
dc.subject.spa.fl_str_mv |
Ingeniería Mecatrónica Ingeniería Biomédica |
topic |
Ingeniería Mecatrónica Ingeniería Biomédica Inteligencia artificial Redes neurales (Computadores) Enfermedad de Alzheimer Artificial intelligence Neural networks (Computer science) Alzheimer's disease Patología Redes neuronales Biomarcadores |
dc.subject.armarc.spa.fl_str_mv |
Inteligencia artificial Redes neurales (Computadores) Enfermedad de Alzheimer |
dc.subject.armarc.eng.fl_str_mv |
Artificial intelligence Neural networks (Computer science) Alzheimer's disease |
dc.subject.proposal.spa.fl_str_mv |
Patología Redes neuronales Biomarcadores |
description |
Se desarrolló una herramienta de software que analiza imágenes diagnósticas de tipo MRI en su secuencia T1-Weighted y busca características discriminantes dentro de la anatomía cerebral presentada en las imágenes para que, de esta manera, sea posible, según el caso, determinar la presencia de atrofias en las estructuras corticales y particularmente en el hipocampo, entregando predicciones acerca de la presencia de la condición en base a las alteraciones anatómicas. Similarmente, mediante interfaces gráficas orientadas al análisis neurocientífico, fue posible visualizar e interpretar el desempeño y los resultados del aprendizaje llevado a cabo por la inteligencia artificial, confirmando las suposiciones teóricas acerca del enfoque al momento de analizar este tipo de patología y principalmente, identificando modificaciones estructurales como posibles biomarcadores de la condición o indicadores dentro del proceso de diagnóstico por neuroimagen. En síntesis, este prototipo funcional, en su fase inicial tiene la capacidad de aprender diferencias anatómicas y estructurales tanto para hombres como para mujeres (Pacientes AD y/o sujetos CN), en un rango de edad entre 65 y 75 años (buscando a futuro, analizar el deterioro cognitivo leve o MCI y posiblemente detectar nuevos biomarcadores) y ofrece, mediante software e interfaces gráficas, una visualización de los posibles focos de información determinados por el entrenamiento de las arquitecturas de redes neuronales. |
publishDate |
2021 |
dc.date.issued.none.fl_str_mv |
2021-09-03 |
dc.date.accessioned.none.fl_str_mv |
2022-07-15T13:54:53Z |
dc.date.available.none.fl_str_mv |
2022-07-15T13:54:53Z |
dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_71e4c1898caa6e32 |
dc.type.coar.eng.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.eng.fl_str_mv |
Text |
dc.type.driver.eng.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.redcol.eng.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10614/14043 |
dc.identifier.instname.spa.fl_str_mv |
Universidad Autónoma de Occidente |
dc.identifier.reponame.spa.fl_str_mv |
Repositorio Educativo Digital |
dc.identifier.repourl.spa.fl_str_mv |
https://red.uao.edu.co/ |
url |
https://hdl.handle.net/10614/14043 https://red.uao.edu.co/ |
identifier_str_mv |
Universidad Autónoma de Occidente Repositorio Educativo Digital |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.cites.spa.fl_str_mv |
Castrillón Calderón, C. A. y Carrillo López, C. D. (2021). Detección de la enfermedad de alzheimer a partir de neuroimágenes mediante el uso de técnicas de inteligencia artificial. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia |
dc.relation.references.none.fl_str_mv |
[1] J. Feng, S.-W. Zhang & L. Chen. “Identification of Alzheimer’s Disease Based on Wavelet Transformation Energy Feature of the Structural MRI Image and NN Classifier”. Artificial Intelligence in Medicine, January, 101940. [En línea]. Disponible en https://doi.org/10.1016/j.artmed.2020.101940 [2] I. Beheshti, Demirel, H., F. Farokhian, C. Yang, & H. Matsuda. “Structural MRI-based detection of Alzheimer’s disease using feature ranking and classification error. Computer Methods and Programs in Biomedicine”, 137, 177–193. 2016. [En línea]. Disponible en https://doi.org/10.1016/j.cmpb.2016.09.019 [3] M. A. Ebrahimighahnavieh, S. Luo, & R. Chiong. Deep learning to detect Alzheimer’s disease from neuroimaging: A systematic literature review. Computer Methods and Programs in Biomedicine, 187, 105242. 2020. [En línea]. Disponible en https://doi.org/10.1016/j.cmpb.2019.105242 [4] A. Abrol, M. Bhattarai, A. Fedorov, Y. Du, S. Plis, & V. Calhoun. “Deep residual learning for neuroimaging: An application to predict progression to Alzheimer’s disease. Journal of Neuroscience Methods”, 339, April 2020. 108701. [En línea]. Disponible en https://doi.org/10.1016/j.jneumeth.2020.108701 [5] T. Altaf, S. M. Anwar, N. Gul, Majeed, M. N., & Majid, M. “Multi-class Alzheimer’s disease classification using image and clinical features. Biomedical Signal Processing and Control”, 43, 64–74. 2018. [En línea]. Disponible en https://doi.org/10.1016/j.bspc.2018.02.019 [6] R. A. Wilmer; M. O. Bertha y P. M. Edwin. “Generalidades de las redes neuronales artificiales”. En: Redes neuronales artificiales aplicadas al reconocimiento de patrones. 1 ed. Machala-Ecuador: Editorial UTMACH, 2018, p. 19-21. ISBN: 978-9942- 24-100-9. [En línea]. Disponible en https://www.researchgate.net/publication/327703478_Capitulo_1_Generalidades_de_las_redes_neuronales_artificiales [7] G. Uysal, & M. Ozturk, “Hippocampal atrophy-based Alzheimer’s disease diagnosis via machine learning methods. Journal of Neuroscience Methods”, 337, February 2020. 108669. [En línea]. Disponible en https://doi.org/10.1016/j.jneumeth.2020.108669 [8] X. Dou, H. Yao, F. Feng, P. Wang, B. Zhou, D. Jin, Z. Yang, J. Li, C. Zhao, L. Wang, N. An, B. Liu, X. Zhang, & Y. Liu, “Characterizing white matter connectivity in Alzheimer’s disease and mild cognitive impairment: An automated fiber quantification analysis with two independent datasets”. Cortex, 129, 390–405. 2020. [En línea]. Disponible en https://doi.org/10.1016/j.cortex.2020.03.032 [9] M. Raza, M. Awais, W. Ellahi, N. Aslam, H. X. Nguyen, & H. Le-Minh, “Diagnosis and monitoring of Alzheimer’s patients using classical and deep learning techniques. Expert Systems with Applications, 136, 353–364. 2019. [En línea]. Disponible en https://doi.org/10.1016/j.eswa.2019.06.038 [10] X. Wu, J. Li, N. Ayutyanont, et al. “The receiver operational characteristic for binary classification with multiple indices and its application to the neuroimaging study of Alzheimer’s disease”. IEEE/ACM Trans Comput Biol Bioinf, 2013. 10(1):173–80. [11] F. Zhang, S. Tian, S. Chen, et al. “Voxel-based morphometry: improving the diagnosis of Alzheimer’s disease based on an extreme learning machine method from the ADNI cohort”. Neuroscience 2019;414:273–9. [12] N. E. Kadmiri, N. Said, I. Slassi, et al. “Biomarkers for Alzheimer disease: classical and novel candidates’ review”. Neuroscience 2018. 370:181–90. [13] D. Arifoglu, A. Bouchachia, “Detection of abnormal behaviour for dementia sufferers using convolutional neural networks”. Artif Intell Med 2019. 94:88–95. [14] J. Bernal, K. Kushibar, D. S. Asfaw, et al. “Deep convolutional neural networks for brain image analysis on magnetic resonance imaging: a review”. Artif Intell Med 2019. 95:64–81. [15] X. Li, L. Shen, X. Xie, et al. Multi-resolution convolutional networks for chest X-ray radiograph based lung nodule detection. Artif Intell Med, 2020. 103:101744. [16] "La inteligencia artificial ya permite diagnosticar la enfermedad de Alzheimer o Parkinson | Qmayor", Qmayor, 2021. [En línea]. Disponible en https://www.qmayor.com/salud/la-inteligencia-artificial-ya-permite-diagnosticar-la-enfermedad-de-alzheimer-o-parkinson/. [17] "Que es PyTorch y por que tienes que comenzar a utilizarlo - Cleverpy", Cleverpy Machine Learning, 2021. [En línea]. Disponible en https://cleverpy.com/que-es-pytorch-y-como-se-instala/. [18] L. Liu, S. Zhao, H. Chen, & A. Wang, “A new machine learning method for identifying Alzheimer’s disease. Simulation Modelling Practice and Theory”, 99, October 2021. 102023. [En línea]. Disponible en https://doi.org/10.1016/j.simpat.2019.102023 [19] J. Brownlee, "A Gentle Introduction to k-fold Cross-Validation", Machine Learning Mastery, 2021. [En línea]. Disponible en https://machinelearningmastery.com/k-fold-cross-validation/#:~:text=Cross%2Dvalidation%20is%20a%20resampling,k%2Dfold%20cross%2Dvalidation. [20] S. PATEL. “Machine Learning 101. Chapter 2. SVM (Support Vector Machine)” – Theory [blog]. Medium. 03 de mayo de 2017. [En línea]. Disponible en https://medium.com/machine-learning-101/chapter-2-svm-support-vector-machine-theory-f0812effc72 [21] A. Joaquín, “Máquinas de Vector Soporte (Support Vector Machines, SVMs)” [blog]. Ciencia de datos. Abril de 2017. [En línea]. Disponible en https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_support_vector_machines#coste_computacional_de_svm [22] M. Liu, F. Li, H. Yan, K. Wang, Y. Ma, L. Shen, & M. Xu, “A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer’s disease”. NeuroImage, 208, August 2018. [En línea]. Disponible en https://doi.org/10.1016/j.bspc.2018.02.019https://doi.org/10.1016/j.neuroimage.2019.116459 [23] D. FLORES et al. “Prediciendo la Actividad Cardíaca de la Almeja Tivela stultorum con Digoxina utilizando redes neuronales artificiales”. En: Revista Mexicana de Ingeniería Biomédica. 2017, vol. 38, nro. 1, p. 208-216. [En línea]. Disponible en http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0188-95322017000100208#aff1 [24] J. Nalepa, P. R. Lorenzo, M. Marcinkiewicz, et al. “Fully-automated deep learning-powered system for DCE-MRI analysis of brain tumors”. Artif Intell Med 2020. 102:101769. [25] S. Sengupta, A. Singh, H. A. Leopold, et al. “Ophthalmic diagnosis using deep learning with fundus images – a critical review”. Artif Intell Med 2020. 102:101758. [26] D. Arifoglu, A. Bouchachia, “Detection of abnormal behaviour for dementia sufferers using convolutional neural networks”. Artif Intell Med 2019. 94:88–95. [27] J. Bernal, K. Kushibar, D. S. Asfaw, et al. “Deep convolutional neural networks for brain image analysis on magnetic resonance imaging: a review”. Artif Intell Med 2019. 95:64–81. [28] J. B. Lamy, B. Sekar, G. Guezennec, et al. “Explainable artificial intelligence for breast cancer: a visual case-based reasoning approach”. Artif Intell Med 2019. 94:42–53. [29] G. V. Sherbet, W. L. Woo, S. S. Dlay. “Application of artificial intelligence-based technology in cancer management: a commentary on the deployment of artificial neural networks”. Anticancer Res 2018. 38(12):6607–13. [30] "Neuroimaging in Python - Pipelines and Interfaces — nipy pipeline and interfaces package", Nipype.readthedocs.io, 2021. [En línea]. Disponible en https://nipype.readthedocs.io/en/latest/. [31] M. MOHAMMED, M. B. KHAN, y E. B. M. BASHIER, “Machine Learning: Algorithms and Applications”. 1 ed. Boca Raton: CRC Press 2016. [En línea]. Disponible en https://www.researchgate.net/publication/303806260_Machine_Learning_Algorithms_and_Applications [32] B. Jason. “Machine Learning: Hands-On for Developers and Technical Professionals”. John Wiley & Sons, 2014. [En línea]. Disponible en https://doc.lagout.org/science/Artificial%20Intelligence/Machine%20learning/Machine%20Learning%20Hands-On%20for%20Developers%20and%20Technical%20Professionals%20%5BBell%202014-11-03%5D.pdf [33] T. R. Isabella, 2021. Red.uao.edu.co. [En línea]. Disponible en https://red.uao.edu.co/bitstream/handle/10614/12751/T09585.pdf;jsessionid=6B0501E9AE9FB8ADB9B9D941CF3A1373?sequence=5. [34] T. Claudio y T. Germán. “Redes Neuronales Artificiales”. En: Revista de Educación Matemática. Octubre 13 de 2009, vol. 24, nro. 3. [En línea]. Disponible en https://revistas.unc.edu.ar/index.php/REM/article/view/10280/10979 [35] R. A. Wilmer; M. O. Bertha y P. M. Edwin. “Generalidades de las redes neuronales artificiales”. En: Redes neuronales artificiales aplicadas al reconocimiento de patrones. 1 ed. Machala-Ecuador: Editorial UTMACH, 2018, p. 19-21. ISBN: 978-9942-24-100-9. [En línea]. Disponible en https://www.researchgate.net/publication/327703478_Capitulo_1_Generalidades_de_las_redes_neuronales_artificiales [36] S. Emilio y B. Antonio. Redes neuronales artificiales. En: Autores científico-técnicos yacadémicos, 2007. p. 25-33. [En línea]. Disponible en https://www.acta.es/medios/articulos/informatica_y_computacion/019023.pdf [37] "Las redes neuronales artificiales: fundamentos teóricos y aplicaciones prácticas (Book, 2008) [WorldCat.org]", Worldcat.org, 2021. [En línea]. Disponible en https://www.worldcat.org/title/redes-neuronales-artificiales-fundamentos-teoricos-y-aplicaciones-practicas/oclc/433872848. ISBN: 978-84-9745-246-533 [38] A. Eder; S. Alexei y S. Edgar. “Principios y características de las redes neuronales artificiales”. En: Desarrollo e Innovación en Ingeniería. 2 ed. Medellín – Antioquia: Editorial IAI, 2017. 173 p. ISBN: 978-958-59127-5-5. [En línea]. Disponible en: https://www.researchgate.net/publication/331498946_Principios_y_caracteristicas_de_las_redes_neuronales_artificiales [39] A. B. Jamie. “Redes Neuronales”. Universidad de Guadalajara. [En línea]. Disponible en http://www.cucei.udg.mx/sites/default/files/pdf/toral_barrera_jamie_areli.pdf [40] L. PARADZHANYAN, “Demystifying Deep Learning and Artificial Intelligence” [blog]. The New Stack. [En línea]. Disponible en https://thenewstack.io/demystifying-deep-learning-and-artificial-intelligence/ [41] S. Emilio y B. Antonio. “Redes neuronales artificiales”. En: Autores científico-técnicos y académicos, 2007. p. 25-33. [En línea]. Disponible en https://www.acta.es/medios/articulos/informatica_y_computacion/019023.pdf [42] S. Vivienne et. al. “Various forms of nonlinear activation functions [imagen]. Efficient Processing of Deep Neural Networks: A Tutorial and Survey”. En: Proceedings of the IEEE. Diciembre, 2017. pp. 2295-2329 DOI 10.1109/jproc.2017.2761740 [43] G. Ian, B. Yoshua y C. Aaron. “Deep Learning”. MIT Press, 2016. Capítulo 9, Convolutional Networks. p. 326 - 366. [En línea]. Disponible en http://www.deeplearningbook.org [44] N. Jiquan et. al. “Convolutional Neural Network”. “Unsupervised Feature Learning and Deep Learning Tutorial”. Stanford University. [En línea]. Disponible en http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/ [45] P. M. Óscar. “Redes Neuronales Convolucionales Profundas para el Reconocimiento de Emociones en Imágenes”. Máster Universitario en Inteligencia Artificial. Madrid: Escuela Técnica Superior de Ingenieros Informáticos. Universidad Politécnica de Madrid. 2018. [En línea]. Disponible en http://oa.upm.es/51441/1/TFM_OSCAR_PICAZO_MONTOYA.pdf [46] U. Jesús, “Deep Learning básico con Keras (Parte 2): Convolutional Nets [imagen]”. [En linea]. Disponible en: https://enmilocalfunciona.io/deep-learning-basico-con-keras-parte-2-convolutionalnets/ [47] K. Simonyan and A. Zisserman, "Very deep convolutional networks for large- scale image recognition," arXiv preprint arXiv:1409.1556, 2014. [48] L. Oliver, “CS343: Neural Networks – Convolution and Max Pooling [diapositivas]”. Colby College. Otoño 2019. [En linea]. Disponible en: http://cs.colby.edu/courses/F19/cs343/lectures/lecture11/Lecture11Slides.pdf [49] S. Nitish et.al. “Dropout: A simple Way to Prevent Neural Networks from Overfitting”. En: Journal of Machine Learning Research. 2014, vol. 15, p. 1929-1958. [En línea]. Disponible en https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf [50] I. Sergey, S. Christian. “Batch normalization: Accelerating deep network training by reducing internal covariate shift”. En: 32nd International Conference on Machine Learning, ICML 2015, 1, 448-456. [En línea]. Disponible en http://arxiv.org/abs/1502.03167 [51] M. H., José. Regularización Lasso L1, Ridge L2 y ElasticNet [blog]. IArtificial.net. [En línea]. Disponible en https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf [52] G. Huang, Z. Liu, L. Van Der Maaten , K.Q. Weinberger , “Densely connected convolutional networks, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition”, 1, 2017, pp. 4700–4708 . [53] Y. LeCun, L. Bottou , Y. Bengio , P. Haffner , “Gradient-based learning applied to document recognition”, Proc. IEEE 86 (11) (1998) 2278–2324. [54] S. Karen; V. Andrea y Z. Andrew. “Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps”. [En linea]. Disponible en: https://arxiv.org/pdf/1312.6034.pdf [55] Z. Bolei et. al.” Learning Deep Features for Discriminative Localization”. En: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Diciembre, 2015. p. 2921–2929. [en línea]]. Disponible en Internet: http://cnnlocalization.csail.mit.edu/Zhou_Learning_Deep_Features_CVPR_2016_p aper.pdf [56] S. Ramprasaath et. al. “Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization”. En: International Journal of Computer VIsion (IJCV). Octubre, 2019. p. 336-359 [En linea]. Disponible en Internet: https://arxiv.org/abs/1610.02391 [57] "Que es PyTorch y por que tienes que comenzar a utilizarlo - Cleverpy", Cleverpy Machine Learning, 2021. [En línea]. Disponible en https://cleverpy.com/que-es-pytorch-y-como-se-instala/. [58] "Neuroimaging in Python - Pipelines and Interfaces — nipy pipeline and interfaces package", Nipype.readthedocs.io, 2021. [En línea]. Disponible en https://nipype.readthedocs.io/en/latest/. [59] "Clinica", Clinica.run, 2021. [En línea]. Disponible en http://www.clinica.run/. [60] "FSL - FslWiki", Fsl.fmrib.ox.ac.uk, 2021. [En línea]. Disponible en https://fsl.fmrib.ox.ac.uk/fsl/fslwiki. [61] "dcm2nii DICOM to NIfTI conversion", People.cas.sc.edu, 2021. [En línea]. Disponible en https://people.cas.sc.edu/rorden/mricron/dcm2nii.html. [62] "NITRC: MRIcron: Tool/Resource Info", Nitrc.org, 2021. [En línea]. Disponible en https://www.nitrc.org/projects/mricron |
dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2021 |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.eng.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.accessrights.eng.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
rights_invalid_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2021 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.spa.fl_str_mv |
117 páginas |
dc.format.mimetype.eng.fl_str_mv |
application/pdf |
dc.coverage.spatial.none.fl_str_mv |
Universidad Autónoma de Occidente, Cll 25 # 115-85 Km 2 Vía Cali - Jamundi |
dc.publisher.spa.fl_str_mv |
Universidad Autonoma de Occidente |
dc.publisher.program.spa.fl_str_mv |
Ingeniería Mecatrónica Ingeniería Biomédica |
dc.publisher.department.spa.fl_str_mv |
Departamento de Automática y Electrónica |
dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.place.spa.fl_str_mv |
Cali |
institution |
Universidad Autónoma de Occidente |
bitstream.url.fl_str_mv |
https://red.uao.edu.co/bitstreams/73c96567-6113-4795-9183-38f5c2dc4a78/download https://red.uao.edu.co/bitstreams/86984877-2264-499f-97e6-5f473a858ec2/download https://red.uao.edu.co/bitstreams/c1264740-d82b-41be-b081-426aefcb0d25/download https://red.uao.edu.co/bitstreams/2d776662-5fb0-420d-b60a-cc4b92517817/download https://red.uao.edu.co/bitstreams/dd6f2918-3b75-49e6-92de-6842de92647c/download https://red.uao.edu.co/bitstreams/e605a99e-59b7-4652-b199-e85409855cf3/download https://red.uao.edu.co/bitstreams/cf3d9fda-26f7-45cd-a990-dae6a30c3d6a/download |
bitstream.checksum.fl_str_mv |
20b5ba22b1117f71589c7318baa2c560 122e1d76255e8bc2534c9d6d302c733d 8d19f99dee94f77b713405fdb8b94e4a 391f524ea5d241c934d8070824518f92 e1c06d85ae7b8b032bef47e42e4c08f9 f2d686877ab6d2e758748015765ace70 28ee1a692a1797517ca7d3797696fe7f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Digital Universidad Autonoma de Occidente |
repository.mail.fl_str_mv |
repositorio@uao.edu.co |
_version_ |
1814260221826039808 |
spelling |
López Sotelo, Jesús Alfonsovirtual::2945-1Carrillo López, Cristhian Davidd47e13139d2ccfd3b00a81fe0823cac0Castrillón Calderón, Camilo Andrés9cbdf98f18be3ead1b4d0d92ed082ce5Universidad Autónoma de Occidente, Cll 25 # 115-85 Km 2 Vía Cali - Jamundi2022-07-15T13:54:53Z2022-07-15T13:54:53Z2021-09-03https://hdl.handle.net/10614/14043Universidad Autónoma de OccidenteRepositorio Educativo Digitalhttps://red.uao.edu.co/Se desarrolló una herramienta de software que analiza imágenes diagnósticas de tipo MRI en su secuencia T1-Weighted y busca características discriminantes dentro de la anatomía cerebral presentada en las imágenes para que, de esta manera, sea posible, según el caso, determinar la presencia de atrofias en las estructuras corticales y particularmente en el hipocampo, entregando predicciones acerca de la presencia de la condición en base a las alteraciones anatómicas. Similarmente, mediante interfaces gráficas orientadas al análisis neurocientífico, fue posible visualizar e interpretar el desempeño y los resultados del aprendizaje llevado a cabo por la inteligencia artificial, confirmando las suposiciones teóricas acerca del enfoque al momento de analizar este tipo de patología y principalmente, identificando modificaciones estructurales como posibles biomarcadores de la condición o indicadores dentro del proceso de diagnóstico por neuroimagen. En síntesis, este prototipo funcional, en su fase inicial tiene la capacidad de aprender diferencias anatómicas y estructurales tanto para hombres como para mujeres (Pacientes AD y/o sujetos CN), en un rango de edad entre 65 y 75 años (buscando a futuro, analizar el deterioro cognitivo leve o MCI y posiblemente detectar nuevos biomarcadores) y ofrece, mediante software e interfaces gráficas, una visualización de los posibles focos de información determinados por el entrenamiento de las arquitecturas de redes neuronales.A software tool was developed that analyzes MRI-type diagnostic images in their T1-Weighted sequence and looks for discriminating characteristics within the brain anatomy presented in the images so that in this way, it is possible, depending on the case, to determine the presence of atrophies. in cortical structures and particularly in the hippocampus, providing predictions about the presence of the condition based on anatomical alterations. Similarly, through graphic interfaces oriented to neuroscientific analysis, it was possible to visualize and interpret the performance and learning results carried out by artificial intelligence, confirming the theoretical assumptions about the approach when analyzing this type of pathology and mainly, identifying modifications Structural structures as possible biomarkers of the condition or indicators within the neuroimaging diagnostic process. In summary, this functional prototype, in its initial phase can learn anatomical and structural differences for both men and women (AD patients and / or CN subjects), in an age range between 65 and 75 years (looking for a future, analyzing mild cognitive impairment or MCI and possibly detecting new biomarkers) and offers, through software and graphical interfaces, a visualization of the possible sources of information determined by the training of neural network architecturesProyecto de grado (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2021Proyecto de grado (Ingeniero Mecatrónico)-- Universidad Autónoma de Occidente, 2021PregradoIngeniero(a) Mecatrónico(a)117 páginasapplication/pdfspaUniversidad Autonoma de OccidenteIngeniería MecatrónicaIngeniería BiomédicaDepartamento de Automática y ElectrónicaFacultad de IngenieríaCaliDerechos reservados - Universidad Autónoma de Occidente, 2021https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Ingeniería MecatrónicaIngeniería BiomédicaInteligencia artificialRedes neurales (Computadores)Enfermedad de AlzheimerArtificial intelligenceNeural networks (Computer science)Alzheimer's diseasePatologíaRedes neuronalesBiomarcadoresDeteccion de la enfermedad de Alzheimer a partir de neuroimagenes mediante el uso de tecnicas de Inteligencia ArtificialTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_71e4c1898caa6e32Castrillón Calderón, C. A. y Carrillo López, C. D. (2021). Detección de la enfermedad de alzheimer a partir de neuroimágenes mediante el uso de técnicas de inteligencia artificial. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia[1] J. Feng, S.-W. Zhang & L. Chen. “Identification of Alzheimer’s Disease Based on Wavelet Transformation Energy Feature of the Structural MRI Image and NN Classifier”. Artificial Intelligence in Medicine, January, 101940. [En línea]. Disponible en https://doi.org/10.1016/j.artmed.2020.101940[2] I. Beheshti, Demirel, H., F. Farokhian, C. Yang, & H. Matsuda. “Structural MRI-based detection of Alzheimer’s disease using feature ranking and classification error. Computer Methods and Programs in Biomedicine”, 137, 177–193. 2016. [En línea]. Disponible en https://doi.org/10.1016/j.cmpb.2016.09.019[3] M. A. Ebrahimighahnavieh, S. Luo, & R. Chiong. Deep learning to detect Alzheimer’s disease from neuroimaging: A systematic literature review. Computer Methods and Programs in Biomedicine, 187, 105242. 2020. [En línea]. Disponible en https://doi.org/10.1016/j.cmpb.2019.105242[4] A. Abrol, M. Bhattarai, A. Fedorov, Y. Du, S. Plis, & V. Calhoun. “Deep residual learning for neuroimaging: An application to predict progression to Alzheimer’s disease. Journal of Neuroscience Methods”, 339, April 2020. 108701. [En línea]. Disponible en https://doi.org/10.1016/j.jneumeth.2020.108701[5] T. Altaf, S. M. Anwar, N. Gul, Majeed, M. N., & Majid, M. “Multi-class Alzheimer’s disease classification using image and clinical features. Biomedical Signal Processing and Control”, 43, 64–74. 2018. [En línea]. Disponible en https://doi.org/10.1016/j.bspc.2018.02.019[6] R. A. Wilmer; M. O. Bertha y P. M. Edwin. “Generalidades de las redes neuronales artificiales”. En: Redes neuronales artificiales aplicadas al reconocimiento de patrones. 1 ed. Machala-Ecuador: Editorial UTMACH, 2018, p. 19-21. ISBN: 978-9942- 24-100-9. [En línea]. Disponible en https://www.researchgate.net/publication/327703478_Capitulo_1_Generalidades_de_las_redes_neuronales_artificiales[7] G. Uysal, & M. Ozturk, “Hippocampal atrophy-based Alzheimer’s disease diagnosis via machine learning methods. Journal of Neuroscience Methods”, 337, February 2020. 108669. [En línea]. Disponible en https://doi.org/10.1016/j.jneumeth.2020.108669[8] X. Dou, H. Yao, F. Feng, P. Wang, B. Zhou, D. Jin, Z. Yang, J. Li, C. Zhao, L. Wang, N. An, B. Liu, X. Zhang, & Y. Liu, “Characterizing white matter connectivity in Alzheimer’s disease and mild cognitive impairment: An automated fiber quantification analysis with two independent datasets”. Cortex, 129, 390–405. 2020. [En línea]. Disponible en https://doi.org/10.1016/j.cortex.2020.03.032[9] M. Raza, M. Awais, W. Ellahi, N. Aslam, H. X. Nguyen, & H. Le-Minh, “Diagnosis and monitoring of Alzheimer’s patients using classical and deep learning techniques. Expert Systems with Applications, 136, 353–364. 2019. [En línea]. Disponible en https://doi.org/10.1016/j.eswa.2019.06.038[10] X. Wu, J. Li, N. Ayutyanont, et al. “The receiver operational characteristic for binary classification with multiple indices and its application to the neuroimaging study of Alzheimer’s disease”. IEEE/ACM Trans Comput Biol Bioinf, 2013. 10(1):173–80.[11] F. Zhang, S. Tian, S. Chen, et al. “Voxel-based morphometry: improving the diagnosis of Alzheimer’s disease based on an extreme learning machine method from the ADNI cohort”. Neuroscience 2019;414:273–9.[12] N. E. Kadmiri, N. Said, I. Slassi, et al. “Biomarkers for Alzheimer disease: classical and novel candidates’ review”. Neuroscience 2018. 370:181–90.[13] D. Arifoglu, A. Bouchachia, “Detection of abnormal behaviour for dementia sufferers using convolutional neural networks”. Artif Intell Med 2019. 94:88–95.[14] J. Bernal, K. Kushibar, D. S. Asfaw, et al. “Deep convolutional neural networks for brain image analysis on magnetic resonance imaging: a review”. Artif Intell Med 2019. 95:64–81.[15] X. Li, L. Shen, X. Xie, et al. Multi-resolution convolutional networks for chest X-ray radiograph based lung nodule detection. Artif Intell Med, 2020. 103:101744.[16] "La inteligencia artificial ya permite diagnosticar la enfermedad de Alzheimer o Parkinson | Qmayor", Qmayor, 2021. [En línea]. Disponible en https://www.qmayor.com/salud/la-inteligencia-artificial-ya-permite-diagnosticar-la-enfermedad-de-alzheimer-o-parkinson/.[17] "Que es PyTorch y por que tienes que comenzar a utilizarlo - Cleverpy", Cleverpy Machine Learning, 2021. [En línea]. Disponible en https://cleverpy.com/que-es-pytorch-y-como-se-instala/.[18] L. Liu, S. Zhao, H. Chen, & A. Wang, “A new machine learning method for identifying Alzheimer’s disease. Simulation Modelling Practice and Theory”, 99, October 2021. 102023. [En línea]. Disponible en https://doi.org/10.1016/j.simpat.2019.102023[19] J. Brownlee, "A Gentle Introduction to k-fold Cross-Validation", Machine Learning Mastery, 2021. [En línea]. Disponible en https://machinelearningmastery.com/k-fold-cross-validation/#:~:text=Cross%2Dvalidation%20is%20a%20resampling,k%2Dfold%20cross%2Dvalidation.[20] S. PATEL. “Machine Learning 101. Chapter 2. SVM (Support Vector Machine)” – Theory [blog]. Medium. 03 de mayo de 2017. [En línea]. Disponible en https://medium.com/machine-learning-101/chapter-2-svm-support-vector-machine-theory-f0812effc72[21] A. Joaquín, “Máquinas de Vector Soporte (Support Vector Machines, SVMs)” [blog]. Ciencia de datos. Abril de 2017. [En línea]. Disponible en https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_support_vector_machines#coste_computacional_de_svm[22] M. Liu, F. Li, H. Yan, K. Wang, Y. Ma, L. Shen, & M. Xu, “A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer’s disease”. NeuroImage, 208, August 2018. [En línea]. Disponible en https://doi.org/10.1016/j.bspc.2018.02.019https://doi.org/10.1016/j.neuroimage.2019.116459[23] D. FLORES et al. “Prediciendo la Actividad Cardíaca de la Almeja Tivela stultorum con Digoxina utilizando redes neuronales artificiales”. En: Revista Mexicana de Ingeniería Biomédica. 2017, vol. 38, nro. 1, p. 208-216. [En línea]. Disponible en http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0188-95322017000100208#aff1[24] J. Nalepa, P. R. Lorenzo, M. Marcinkiewicz, et al. “Fully-automated deep learning-powered system for DCE-MRI analysis of brain tumors”. Artif Intell Med 2020. 102:101769.[25] S. Sengupta, A. Singh, H. A. Leopold, et al. “Ophthalmic diagnosis using deep learning with fundus images – a critical review”. Artif Intell Med 2020. 102:101758.[26] D. Arifoglu, A. Bouchachia, “Detection of abnormal behaviour for dementia sufferers using convolutional neural networks”. Artif Intell Med 2019. 94:88–95.[27] J. Bernal, K. Kushibar, D. S. Asfaw, et al. “Deep convolutional neural networks for brain image analysis on magnetic resonance imaging: a review”. Artif Intell Med 2019. 95:64–81.[28] J. B. Lamy, B. Sekar, G. Guezennec, et al. “Explainable artificial intelligence for breast cancer: a visual case-based reasoning approach”. Artif Intell Med 2019. 94:42–53.[29] G. V. Sherbet, W. L. Woo, S. S. Dlay. “Application of artificial intelligence-based technology in cancer management: a commentary on the deployment of artificial neural networks”. Anticancer Res 2018. 38(12):6607–13.[30] "Neuroimaging in Python - Pipelines and Interfaces — nipy pipeline and interfaces package", Nipype.readthedocs.io, 2021. [En línea]. Disponible en https://nipype.readthedocs.io/en/latest/.[31] M. MOHAMMED, M. B. KHAN, y E. B. M. BASHIER, “Machine Learning: Algorithms and Applications”. 1 ed. Boca Raton: CRC Press 2016. [En línea]. Disponible en https://www.researchgate.net/publication/303806260_Machine_Learning_Algorithms_and_Applications[32] B. Jason. “Machine Learning: Hands-On for Developers and Technical Professionals”. John Wiley & Sons, 2014. [En línea]. Disponible en https://doc.lagout.org/science/Artificial%20Intelligence/Machine%20learning/Machine%20Learning%20Hands-On%20for%20Developers%20and%20Technical%20Professionals%20%5BBell%202014-11-03%5D.pdf[33] T. R. Isabella, 2021. Red.uao.edu.co. [En línea]. Disponible en https://red.uao.edu.co/bitstream/handle/10614/12751/T09585.pdf;jsessionid=6B0501E9AE9FB8ADB9B9D941CF3A1373?sequence=5.[34] T. Claudio y T. Germán. “Redes Neuronales Artificiales”. En: Revista de Educación Matemática. Octubre 13 de 2009, vol. 24, nro. 3. [En línea]. Disponible en https://revistas.unc.edu.ar/index.php/REM/article/view/10280/10979[35] R. A. Wilmer; M. O. Bertha y P. M. Edwin. “Generalidades de las redes neuronales artificiales”. En: Redes neuronales artificiales aplicadas al reconocimiento de patrones. 1 ed. Machala-Ecuador: Editorial UTMACH, 2018, p. 19-21. ISBN: 978-9942-24-100-9. [En línea]. Disponible en https://www.researchgate.net/publication/327703478_Capitulo_1_Generalidades_de_las_redes_neuronales_artificiales[36] S. Emilio y B. Antonio. Redes neuronales artificiales. En: Autores científico-técnicos yacadémicos, 2007. p. 25-33. [En línea]. Disponible en https://www.acta.es/medios/articulos/informatica_y_computacion/019023.pdf[37] "Las redes neuronales artificiales: fundamentos teóricos y aplicaciones prácticas (Book, 2008) [WorldCat.org]", Worldcat.org, 2021. [En línea]. Disponible en https://www.worldcat.org/title/redes-neuronales-artificiales-fundamentos-teoricos-y-aplicaciones-practicas/oclc/433872848. ISBN: 978-84-9745-246-533[38] A. Eder; S. Alexei y S. Edgar. “Principios y características de las redes neuronales artificiales”. En: Desarrollo e Innovación en Ingeniería. 2 ed. Medellín – Antioquia: Editorial IAI, 2017. 173 p. ISBN: 978-958-59127-5-5. [En línea]. Disponible en: https://www.researchgate.net/publication/331498946_Principios_y_caracteristicas_de_las_redes_neuronales_artificiales[39] A. B. Jamie. “Redes Neuronales”. Universidad de Guadalajara. [En línea]. Disponible en http://www.cucei.udg.mx/sites/default/files/pdf/toral_barrera_jamie_areli.pdf[40] L. PARADZHANYAN, “Demystifying Deep Learning and Artificial Intelligence” [blog]. The New Stack. [En línea]. Disponible en https://thenewstack.io/demystifying-deep-learning-and-artificial-intelligence/[41] S. Emilio y B. Antonio. “Redes neuronales artificiales”. En: Autores científico-técnicos y académicos, 2007. p. 25-33. [En línea]. Disponible en https://www.acta.es/medios/articulos/informatica_y_computacion/019023.pdf[42] S. Vivienne et. al. “Various forms of nonlinear activation functions [imagen]. Efficient Processing of Deep Neural Networks: A Tutorial and Survey”. En: Proceedings of the IEEE. Diciembre, 2017. pp. 2295-2329 DOI 10.1109/jproc.2017.2761740[43] G. Ian, B. Yoshua y C. Aaron. “Deep Learning”. MIT Press, 2016. Capítulo 9, Convolutional Networks. p. 326 - 366. [En línea]. Disponible en http://www.deeplearningbook.org[44] N. Jiquan et. al. “Convolutional Neural Network”. “Unsupervised Feature Learning and Deep Learning Tutorial”. Stanford University. [En línea]. Disponible en http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/[45] P. M. Óscar. “Redes Neuronales Convolucionales Profundas para el Reconocimiento de Emociones en Imágenes”. Máster Universitario en Inteligencia Artificial. Madrid: Escuela Técnica Superior de Ingenieros Informáticos. Universidad Politécnica de Madrid. 2018. [En línea]. Disponible en http://oa.upm.es/51441/1/TFM_OSCAR_PICAZO_MONTOYA.pdf[46] U. Jesús, “Deep Learning básico con Keras (Parte 2): Convolutional Nets [imagen]”. [En linea]. Disponible en: https://enmilocalfunciona.io/deep-learning-basico-con-keras-parte-2-convolutionalnets/[47] K. Simonyan and A. Zisserman, "Very deep convolutional networks for large- scale image recognition," arXiv preprint arXiv:1409.1556, 2014.[48] L. Oliver, “CS343: Neural Networks – Convolution and Max Pooling [diapositivas]”. Colby College. Otoño 2019. [En linea]. Disponible en: http://cs.colby.edu/courses/F19/cs343/lectures/lecture11/Lecture11Slides.pdf[49] S. Nitish et.al. “Dropout: A simple Way to Prevent Neural Networks from Overfitting”. En: Journal of Machine Learning Research. 2014, vol. 15, p. 1929-1958. [En línea]. Disponible en https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf[50] I. Sergey, S. Christian. “Batch normalization: Accelerating deep network training by reducing internal covariate shift”. En: 32nd International Conference on Machine Learning, ICML 2015, 1, 448-456. [En línea]. Disponible en http://arxiv.org/abs/1502.03167[51] M. H., José. Regularización Lasso L1, Ridge L2 y ElasticNet [blog]. IArtificial.net. [En línea]. Disponible en https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf[52] G. Huang, Z. Liu, L. Van Der Maaten , K.Q. Weinberger , “Densely connected convolutional networks, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition”, 1, 2017, pp. 4700–4708 .[53] Y. LeCun, L. Bottou , Y. Bengio , P. Haffner , “Gradient-based learning applied to document recognition”, Proc. IEEE 86 (11) (1998) 2278–2324.[54] S. Karen; V. Andrea y Z. Andrew. “Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps”. [En linea]. Disponible en: https://arxiv.org/pdf/1312.6034.pdf[55] Z. Bolei et. al.” Learning Deep Features for Discriminative Localization”. En: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Diciembre, 2015. p. 2921–2929. [en línea]]. Disponible en Internet: http://cnnlocalization.csail.mit.edu/Zhou_Learning_Deep_Features_CVPR_2016_p aper.pdf[56] S. Ramprasaath et. al. “Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization”. En: International Journal of Computer VIsion (IJCV). Octubre, 2019. p. 336-359 [En linea]. Disponible en Internet: https://arxiv.org/abs/1610.02391[57] "Que es PyTorch y por que tienes que comenzar a utilizarlo - Cleverpy", Cleverpy Machine Learning, 2021. [En línea]. Disponible en https://cleverpy.com/que-es-pytorch-y-como-se-instala/.[58] "Neuroimaging in Python - Pipelines and Interfaces — nipy pipeline and interfaces package", Nipype.readthedocs.io, 2021. [En línea]. Disponible en https://nipype.readthedocs.io/en/latest/.[59] "Clinica", Clinica.run, 2021. [En línea]. Disponible en http://www.clinica.run/.[60] "FSL - FslWiki", Fsl.fmrib.ox.ac.uk, 2021. [En línea]. Disponible en https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.[61] "dcm2nii DICOM to NIfTI conversion", People.cas.sc.edu, 2021. [En línea]. Disponible en https://people.cas.sc.edu/rorden/mricron/dcm2nii.html.[62] "NITRC: MRIcron: Tool/Resource Info", Nitrc.org, 2021. [En línea]. Disponible en https://www.nitrc.org/projects/mricronComunidad generalPublicationhttps://scholar.google.com.au/citations?user=7PIjh_MAAAAJ&hl=envirtual::2945-10000-0002-9731-8458virtual::2945-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000249106virtual::2945-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::2945-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::2945-1LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/73c96567-6113-4795-9183-38f5c2dc4a78/download20b5ba22b1117f71589c7318baa2c560MD53ORIGINALT10283_Detección de la enfermedad de alzheimer a partir de neuroimágenes mediante el uso de técnicas de inteligencia artificial.pdfT10283_Detección de la enfermedad de alzheimer a partir de neuroimágenes mediante el uso de técnicas de inteligencia artificial.pdfTexto archivo completo del trabajo de grado, PDFapplication/pdf4508013https://red.uao.edu.co/bitstreams/86984877-2264-499f-97e6-5f473a858ec2/download122e1d76255e8bc2534c9d6d302c733dMD55TA10283_Autorización trabajo de grado.pdfTA10283_Autorización trabajo de grado.pdfAutorización publicación del trabajo de gradoapplication/pdf328882https://red.uao.edu.co/bitstreams/c1264740-d82b-41be-b081-426aefcb0d25/download8d19f99dee94f77b713405fdb8b94e4aMD54TEXTT10283_Detección de la enfermedad de alzheimer a partir de neuroimágenes mediante el uso de técnicas de inteligencia artificial.pdf.txtT10283_Detección de la enfermedad de alzheimer a partir de neuroimágenes mediante el uso de técnicas de inteligencia artificial.pdf.txtExtracted texttext/plain148364https://red.uao.edu.co/bitstreams/2d776662-5fb0-420d-b60a-cc4b92517817/download391f524ea5d241c934d8070824518f92MD56TA10283_Autorización trabajo de grado.pdf.txtTA10283_Autorización trabajo de grado.pdf.txtExtracted texttext/plain2https://red.uao.edu.co/bitstreams/dd6f2918-3b75-49e6-92de-6842de92647c/downloade1c06d85ae7b8b032bef47e42e4c08f9MD58THUMBNAILT10283_Detección de la enfermedad de alzheimer a partir de neuroimágenes mediante el uso de técnicas de inteligencia artificial.pdf.jpgT10283_Detección de la enfermedad de alzheimer a partir de neuroimágenes mediante el uso de técnicas de inteligencia artificial.pdf.jpgGenerated Thumbnailimage/jpeg6565https://red.uao.edu.co/bitstreams/e605a99e-59b7-4652-b199-e85409855cf3/downloadf2d686877ab6d2e758748015765ace70MD57TA10283_Autorización trabajo de grado.pdf.jpgTA10283_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg12123https://red.uao.edu.co/bitstreams/cf3d9fda-26f7-45cd-a990-dae6a30c3d6a/download28ee1a692a1797517ca7d3797696fe7fMD5910614/14043oai:red.uao.edu.co:10614/140432024-03-07 16:57:28.118https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2021open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.coRUwgQVVUT1IgYXV0b3JpemEgYSBsYSBVbml2ZXJzaWRhZCBBdXTDs25vbWEgZGUgT2NjaWRlbnRlLCBkZSBmb3JtYSBpbmRlZmluaWRhLCBwYXJhIHF1ZSBlbiBsb3MgdMOpcm1pbm9zIGVzdGFibGVjaWRvcyBlbiBsYSBMZXkgMjMgZGUgMTk4MiwgbGEgTGV5IDQ0IGRlIDE5OTMsIGxhIERlY2lzacOzbiBhbmRpbmEgMzUxIGRlIDE5OTMsIGVsIERlY3JldG8gNDYwIGRlIDE5OTUgeSBkZW3DoXMgbGV5ZXMgeSBqdXJpc3BydWRlbmNpYSB2aWdlbnRlIGFsIHJlc3BlY3RvLCBoYWdhIHB1YmxpY2FjacOzbiBkZSBlc3RlIGNvbiBmaW5lcyBlZHVjYXRpdm9zLiBQQVJBR1JBRk86IEVzdGEgYXV0b3JpemFjacOzbiBhZGVtw6FzIGRlIHNlciB2w6FsaWRhIHBhcmEgbGFzIGZhY3VsdGFkZXMgeSBkZXJlY2hvcyBkZSB1c28gc29icmUgbGEgb2JyYSBlbiBmb3JtYXRvIG8gc29wb3J0ZSBtYXRlcmlhbCwgdGFtYmnDqW4gcGFyYSBmb3JtYXRvIGRpZ2l0YWwsIGVsZWN0csOzbmljbywgdmlydHVhbCwgcGFyYSB1c29zIGVuIHJlZCwgSW50ZXJuZXQsIGV4dHJhbmV0LCBpbnRyYW5ldCwgYmlibGlvdGVjYSBkaWdpdGFsIHkgZGVtw6FzIHBhcmEgY3VhbHF1aWVyIGZvcm1hdG8gY29ub2NpZG8gbyBwb3IgY29ub2Nlci4gRUwgQVVUT1IsIGV4cHJlc2EgcXVlIGVsIGRvY3VtZW50byAodHJhYmFqbyBkZSBncmFkbywgcGFzYW50w61hLCBjYXNvcyBvIHRlc2lzKSBvYmpldG8gZGUgbGEgcHJlc2VudGUgYXV0b3JpemFjacOzbiBlcyBvcmlnaW5hbCB5IGxhIGVsYWJvcsOzIHNpbiBxdWVicmFudGFyIG5pIHN1cGxhbnRhciBsb3MgZGVyZWNob3MgZGUgYXV0b3IgZGUgdGVyY2Vyb3MsIHkgZGUgdGFsIGZvcm1hLCBlbCBkb2N1bWVudG8gKHRyYWJham8gZGUgZ3JhZG8sIHBhc2FudMOtYSwgY2Fzb3MgbyB0ZXNpcykgZXMgZGUgc3UgZXhjbHVzaXZhIGF1dG9yw61hIHkgdGllbmUgbGEgdGl0dWxhcmlkYWQgc29icmUgw6lzdGUuIFBBUkFHUkFGTzogZW4gY2FzbyBkZSBwcmVzZW50YXJzZSBhbGd1bmEgcmVjbGFtYWNpw7NuIG8gYWNjacOzbiBwb3IgcGFydGUgZGUgdW4gdGVyY2VybywgcmVmZXJlbnRlIGEgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIHNvYnJlIGVsIGRvY3VtZW50byAoVHJhYmFqbyBkZSBncmFkbywgUGFzYW50w61hLCBjYXNvcyBvIHRlc2lzKSBlbiBjdWVzdGnDs24sIEVMIEFVVE9SLCBhc3VtaXLDoSBsYSByZXNwb25zYWJpbGlkYWQgdG90YWwsIHkgc2FsZHLDoSBlbiBkZWZlbnNhIGRlIGxvcyBkZXJlY2hvcyBhcXXDrSBhdXRvcml6YWRvczsgcGFyYSB0b2RvcyBsb3MgZWZlY3RvcywgbGEgVW5pdmVyc2lkYWQgIEF1dMOzbm9tYSBkZSBPY2NpZGVudGUgYWN0w7phIGNvbW8gdW4gdGVyY2VybyBkZSBidWVuYSBmZS4gVG9kYSBwZXJzb25hIHF1ZSBjb25zdWx0ZSB5YSBzZWEgZW4gbGEgYmlibGlvdGVjYSBvIGVuIG1lZGlvIGVsZWN0csOzbmljbyBwb2Ryw6EgY29waWFyIGFwYXJ0ZXMgZGVsIHRleHRvIGNpdGFuZG8gc2llbXByZSBsYSBmdWVudGUsIGVzIGRlY2lyIGVsIHTDrXR1bG8gZGVsIHRyYWJham8geSBlbCBhdXRvci4gRXN0YSBhdXRvcml6YWNpw7NuIG5vIGltcGxpY2EgcmVudW5jaWEgYSBsYSBmYWN1bHRhZCBxdWUgdGllbmUgRUwgQVVUT1IgZGUgcHVibGljYXIgdG90YWwgbyBwYXJjaWFsbWVudGUgbGEgb2JyYS4K |