Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili

La aplicación cada vez más frecuente de máquinas de aprendizaje, destaca la habilidad de esta herramienta para realizar tareas y analizar datos complejos o en gran cantidad, logrando automatizar muchos procesos de la vida real. Además, en cuanto al entorno médico, específicamente en imagenología méd...

Full description

Autores:: Pabón Ordoñez, Laura Melisa

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2023

Institución:: Universidad Autónoma de Occidente

Repositorio:: RED: Repositorio Educativo Digital UAO

Idioma:: spa

id	REPOUAO2_1a343da3995a251536de399b685bb662
oai_identifier_str	oai:red.uao.edu.co:10614/14927
network_acronym_str	REPOUAO2
network_name_str	RED: Repositorio Educativo Digital UAO
repository_id_str
dc.title.spa.fl_str_mv	Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili
title	Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili
spellingShingle	Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili Ingeniería Biomédica Cerebro - Hemorragia Cerebro Diagnóstico por imagen Tomografía Aprendizaje automático (Inteligencia artificial) Brain - Hemorrhage Brain Diagnostic imaging Tomography Machine learning Hemorragia intracraneal Máquinas de aprendizaje Tomografía computarizada Radiómica Imágenes médicas
title_short	Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili
title_full	Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili
title_fullStr	Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili
title_full_unstemmed	Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili
title_sort	Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili
dc.creator.fl_str_mv	Pabón Ordoñez, Laura Melisa
dc.contributor.advisor.none.fl_str_mv	Pulgarín Giraldo, Juan Diego Orejuela Zapata, Juan Felipe, asesor
dc.contributor.author.none.fl_str_mv	Pabón Ordoñez, Laura Melisa
dc.contributor.corporatename.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.subject.spa.fl_str_mv	Ingeniería Biomédica
topic	Ingeniería Biomédica Cerebro - Hemorragia Cerebro Diagnóstico por imagen Tomografía Aprendizaje automático (Inteligencia artificial) Brain - Hemorrhage Brain Diagnostic imaging Tomography Machine learning Hemorragia intracraneal Máquinas de aprendizaje Tomografía computarizada Radiómica Imágenes médicas
dc.subject.armarc.spa.fl_str_mv	Cerebro - Hemorragia Cerebro Diagnóstico por imagen Tomografía Aprendizaje automático (Inteligencia artificial)
dc.subject.armarc.eng.fl_str_mv	Brain - Hemorrhage Brain Diagnostic imaging Tomography Machine learning
dc.subject.proposal.spa.fl_str_mv	Hemorragia intracraneal Máquinas de aprendizaje Tomografía computarizada Radiómica Imágenes médicas
description	La aplicación cada vez más frecuente de máquinas de aprendizaje, destaca la habilidad de esta herramienta para realizar tareas y analizar datos complejos o en gran cantidad, logrando automatizar muchos procesos de la vida real. Además, en cuanto al entorno médico, específicamente en imagenología médica, el tiempo que toma la valoración de las imágenes puede ser crítico en algunas patologías como lo son las hemorragias intracraneales, las cuales se deben tratar lo más rápido posible para evitar un desenlace no deseado en el paciente. Por lo anterior el objetivo del presente proyecto se basa en desarrollar una metodología, aplicando modelos de máquinas de aprendizaje que permitan abordar la identificación de hemorragias intracraneales en imágenes de tomografía computarizada, clasificando pacientes sanos y enfermos, de acuerdo con los hallazgos en las imágenes, y priorizando la revisión del estudio para su posterior reporte, el cual es realizado por el personal médico. Para llevar a cabo la tarea de clasificación, se obtiene un conjunto de datos de 740 pacientes, de los cuales se extraen 21 regiones por cada paciente, como resultado 15540 muestras de las cuales 1978 se encuentran etiquetadas como enfermas y el resto como sanas, dichas muestras enfermas fueron sometidas a técnicas de balanceo de datos que permitieron equilibrar las clases; seguido a esto, se realiza extracción de características radiómicas a partir de dichas muestras y se procede a evaluar los modelos de clasificación, en donde se compara el desempeño de 6 modelos de máquinas de aprendizaje para obtener el modelo con las mejores métricas. Como resultado, el mejor modelo para realizar la clasificación fue árboles de decisión el cual obtuvo una puntuación F1 del 94,5% y un menor número de falsos positivos y falsos negativos, demostrando así su alta exactitud en comparación con los demás modelos. Los resultados obtenidos permitieron destacar el buen rendimiento de los algoritmos de máquinas de aprendizaje aplicados a la identificación de hemorragias intracraneales.
publishDate	2023
dc.date.accessioned.none.fl_str_mv	2023-08-18T13:34:05Z
dc.date.available.none.fl_str_mv	2023-08-18T13:34:05Z
dc.date.issued.none.fl_str_mv	2023-05-30
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/10614/14927
dc.identifier.instname.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.identifier.reponame.spa.fl_str_mv	Repositorio Educativo Digital UAO
dc.identifier.repourl.spa.fl_str_mv	https://red.uao.edu.co/
url	https://hdl.handle.net/10614/14927 https://red.uao.edu.co/
identifier_str_mv	Universidad Autónoma de Occidente Repositorio Educativo Digital UAO
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.cites.spa.fl_str_mv	Pabón Ordóñez, L. M. (2023). Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili. (Pasantía institucional). Universidad Autónoma de Occidente. Cali. Colombia. https://red.uao.edu.co/handle/10614/14927
dc.relation.references.spa.fl_str_mv	Aiello, M., Esposito, G., Pagliari, G., Borrelli, P., Brancato, V., Salvatore, M. (2021). How does DICOM support big data management? Investigating its use in medical imaging community. Insights Imaging, 12, 164. https://doi.org/10.1186/s13244-021-01081-8 Alpaydin, E. (2014). What is Machine Learning?. Introduction to Machine Learning.(3a ed. Pp.1- 3). The MIT press. https://dl.matlabyar.com/siavash/ML/Book/Ethem%20AlpaydinIntroduction%20to%20Machine%20Learning-The%20MIT%20Press%20(2014).pdf Analysis Group. (s. f.). FSL - FMRIB Software Library. (Versión 6.0) [Software de computador]. https://fsl.fmrib.ox.ac.uk/fsl/fslwiki Andrade González, L. J., y Cervantes Puente, J. (2014). Aprendizaje automático y modelos de clasificación. Revista Politécnica, 33(1). https://revistapolitecnica.epn.edu.ec/ojs2/index.php/revista_politecnica2/article/view/ 179 Andy's Brain Book. (s. f.). Modulación paramétrica en SPM, FSL y AFNI. https://andysbrainbook.readthedocs.io/en/latest/PM/PM_Overview.html AprendeIA. (2018). Aprendizaje supervisado: Random Forest Classification. https://aprendeia.com/aprendizaje- supervisado-random-forest-classification/ Arias Montoya, R., Santa Chávez, J. J., Veloza Mora, J. J. (2013). Aplicación del aprendizaje automático con árboles de decisión en el diagnóstico médico. Dialnet. 10(1), 63-72. https://dialnet.unirioja.es/servlet/articulo?codigo=6003033 Bengio, Y., y Grandvalet, Y. (Diciembre 1, 2004). No unbiased estimator of the variance of kfold cross-validation. Journal of Machine Learning Research, 5, 1089-1105. https://www.jmlr.org/papers/volume5/grandvalet04a/grandvalet04a.pdf Bergstra, J., y Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281-305. https://www.jmlr.org/papers/volume13/bergstra12a/bergstra12a.pdf Bryant, J. A., Drage, N. A., Richmond, S. (Abril, 2012). CT number definition. Radiation Physics and Chemistry. 81(4), 358-361. https://doi.org/10.1016/j.radphyschem.2011.12.026 Cáceres, J. A., y Goldstein, J. N. (agosto, 2012). Intracranial Hemorrhage. Emergency Medicine Clinics of North America, 30(3), 771-794. https://doi.org/10.1016/j.emc.2012.06.003 Calzado, A., y Geleijns, J. (2010). Tomografía computarizada. Evolución, principios técnicos y aplicaciones. Revista Física Médica. 11(3), 163- 180. https://revistadefisicamedica.es/index.php/rfm/article/view/115 Centre of Neuroskills. (s. f.). Cerebelo. https://www.neuroskills.com/language/espanol/cerebelo/ Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of artificial intelligence research. 16, 321- 357. https://doi.org/10.1613/jair.953 Cucchiara, B. L. (Octubre 4, 2022). Intraventricular hemorrhage. Uptodate. https://www.uptodate.com/contents/intraventricular-hemorrhage Cui, G., Jun, S. B., Jin, X., Pham, M. D., Vogel, S. S., Lovinger, D. M., Costa, R. M. (Enero 23, 2013). Concurrent activation of striatal direct and indirect pathways during action initiation. Nature, 494(7436), 238-242. doi: 10.1038/nature11846 Damier, P., Hirsch, E. C., Agid, Y., y Graybiel, A. M. (Agosto, 1999). The substantia nigra of the human brain. II. Patterns of loss of dopamine-containing neurons in Parkinson 's disease. Brain: a journal of neurology, 122(8), 1437–1448. https://doi.org/10.1093/brain/122.8.1437 Edlmman, E., Giorgi-coll, S., Withfield, P. C., Carpenter, K. L., Hutchinson, P. J. (Mayo 30, 2017). Pathophysiology of chronic subdural haematoma: inflammation, angiogenesis and implications for pharmacotherapy. Journal of Neuroinflammation.14(1), 108.doi: 10.1186/s12974-017-0881-y Fame, R. M., Cortés Campos, C., Sive, H. L. (Febrero 20, 2020). Brain Ventricular System and Cerebrospinal Fluid Development and Function: Light at the End of the Tube. Neurobiology Special Collection. 42(3). https://doi.org/10.1002/bies.201900186 Fawcett, T. (junio, 2006). An introduction to ROC analysis. Pattern Recognition Letters. 27(8), 861-874. https://doi.org/10.1016/j.patrec.2005.10.010 Fernández, A., García, S., Herrera, F. (2011). Addressing the classification with imbalanced data: Open problems and new challenges on class distribution. En: Corchado, E., Kurzyński, M., Woźniak, M. (eds). Hybrid Artificial Intelligent Systems. (Vol. 6678, pp 1-10). Springer. https://doi.org/10.1007/978-3-642-21219-2_1 Forslund, I. (2022). Modification of the RusBoost algorithm: A comparison of classifiers on imbalanced data. [Tesis de Maestría, Umeå University]. Umeå University publications. https://urn.kb.se/resolve?urn=urn:nbn:se:umu:diva-196899 Grujičić, R. (Diciembre 5, 2022). Tectum and tegmentum. KenHub. https://www.kenhub.com/en/library/anatomy/midbrain-pons-nuclei-tracts Gudadhe, S.,y Thakare, A. (Enero 17, 2022) Classification of Intracranial Hemorrhage CT images for Stroke Analysis with Transformed and Image-based GLCM Features. Research Square. https://doi.org/10.21203/rs.3.rs-1234293/v1 Guerri, M. (2023). Hipotálamo: anatomía, función y expresión de las emociones. Psicoactiva. https://www.psicoactiva.com/blog/hipotalamo-la-expresion-las-emociones/ Hampton, L. (2023). Midbrain. Physiopedia. https://www.physio-pedia.com/Midbrain Hernández Chávez, A., y Rodríguez García, D (2018). Neuroimagen de la hemorragia intraparenquimatosa cerebral primaria. Revista Cubana de Neurología y Neurocirugía. 8(2), 1-21. https://www.medigraphic.com/pdfs/revcubneuro/cnn2018/cnn182e.pdf Holmboe, E. S., y Durning, S. J. (enero 8, 2014). Assessing clinical reasoning: moving from in vitro to in vivo. Diagnosis, 1(1), 111-117. https://doi.org/10.1515/dx-2013-0029 Icometrix (s.f.). dicom2nifti documentation. https://dicom2nifti.readthedocs.io/en/latest/ Joon An, S., Kim Jung, T., Woo Yoon, B. (enero 31, 2017). Epidemiology, Risk Factors, and Clinical Features of Intracerebral Hemorrhage: An Update. Journal of stroke, 19(1), 3-10. https://doi.org/10.5853/jos.2016.00864 Jordan, M. I., y Mitchell, T. M. (Julio 17, 2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. doi: 10.1126/science.aaa8415 Jung, H. (2021). Basic Physical Principles and Clinical Applications of Computed Tomography. Progress in Medical Physics. 32(1), 1-17. https://doi.org/10.14316/pmp.2021.32.1.1 Jurado, M. B. y Rosselli, M. (Septiembre 5, 2007). The elusive nature of executive functions: a review of our current understanding. Neuropsychology Review. 17(3), 213-233. doi: 10.1007/s11065-007-9040-z Jutel, A. (febrero 16, 2009). Sociology of diagnosis: a preliminary review. Sociology of Health & Illness, 31(2), 278-299. https://doi.org/10.1111/j.1467-9566.2008.01152.x Kandel, E.R., Schwartz, J.H., Jessell, T.M. (2000). Learning, Memory, Language and Cognition. Principles of neural science. (6ta ed.,pp 1291-1295). McGraw-Hill. https://neurology.mhmedical.com/book.aspx?bookID=3024 Lecturio. (2022). Sistema ventricular: anatomía. https://app.lecturio.com/#/article/2988?return=%23%2Fwelcome%3Ffv%3D1 Morera Munt, A. (2018). Introducción a los modelos de redes neuronales artificiales. El Perceptrón simple y multicapa. [Tesis de pregrado, Universidad Zaragosa]. Repositorio Universidad de Zaragosa. https://zaguan.unizar.es/record/69205/files/TAZ-TFG-2018-148.pdf; Najm, M., Kuang, H., Federico, A., Uzair, J., Mayank, G., Hill, M. D., Demchuk, A., Menon, B. K., & Qiu, W. (Julio, 2019). Automated brain extraction from head CT and CTA images using convex optimization with shape propagation. Computer Methods and Programs in Biomedicine. 176, 1-8. https://doi.org/10.1016/j.cmpb.2019.04.030 Ortiz Pardo, E., Banderas León, A., Unigarro, L., Santillan, P. (2018). Oxigenación y Flujo Sanguíneo Cerebral, Revisión Comprensiva de la Literatura. Revista Ecuatoriana de Neurología, 27(1), 80-89. https://revecuatneurol.com/wpcontent/uploads/2018/09/Oxigenacio%CC%81n-y-Flujo-Sangui%CC%81neoCerebral.pdf Pandian, S. (Febrero 22, 2022). A Comprehensive Guide on Hyperparameter Tuning and its Techniques. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2022/02/acomprehensive-guide-on-hyperparameter-tuning-and-its-techniques/ Pei, L., Murat, A., Tahon, N. H., Zenkin, S., Alkarawi, S., Kamal, A., Yilmaz, M., Chen, L., Er, M., Ak, N., Colen, R. (junio 27, 2022). A general skull stripping of multiparametric brain MRIs using 3D convolutional neural network. Scientific Reports ,12, 10826. https://doi.org/10.1038/s41598-022-14983-4 Pop, M. G., Crivii, C., Opincariu, L. (2018). Anantomy and Function of the Hypothalamus. En J. B. Stavros y J. E. Gordeladze (Eds.). Hypothalamus in Health and Diseases. (pp. 4- 6). IntechOpen. http://dx.doi.org/10.5772/intechopen.80728 Price, D. D. (Diciembre 10, 2021). Epidural Hematoma Management in the ED Treatment & Management. Medscape. https://emedicine.medscape.com/article/824029- treatment?form=fpf Radio Lili. (Noviembre 10, 2021). Diagnóstico crítico de la semana: hemorragias cerebrales. Subdural. [Fotografía]. https://www.instagram.com/p/CWF8FeSNSr4/?igshid=YmMyMTA2M2Y= Radio Lili. (Noviembre 10, 2021). Diagnóstico crítico de la semana: hemorragias cerebrales. Epidural. [Fotografía]. Instagram. https://www.instagram.com/p/CWF8FeSNSr4/?igshid=YmMyMTA2M2Y= Radio Lili. (Noviembre 10, 2021). Diagnóstico crítico de la semana: hemorragias cerebrales. Subaracnoidea. [Fotografía]. Instagram. https://www.instagram.com/p/CWIqzz_BGgc/?igshid=MDJmNzVkMjY= Ray, S. (Septiembre 11, 2017). Naive Bayes Classifier Explained: Applications and Practice Problems of Naive Bayes Classifier. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2017/09/naive-bayes-explained/ Ringer, A. (2018). Intracerebral Hemorrhage (ICH). Mayfield Brain & Spine. https://mayfieldclinic.com/pe-ich.htm Ruiz Imbert, A. C., Cascante Sequeira, D. (diciembre 11, 2021). Grayscale Values in Cone Beam Computed Tomography: Scope and Limitations. Odovtos International Journal of Dental Sciences, 23(2), 52-62. https://doi.org/10.15517/IJDS.2021.45106 Sage, A. y Badura, P. (Octubre 27, 2020). Intracranial Hemorrhage Detection in Head CT Using Double-Branch Convolutional Neural Network, Support Vector Machine, and Random Forest. Applied Sciences. 10(21), 75-77, doi:10.3390/app10217577 Schultz, W., Dayan, P., Montague, P. R. (Marzo 14, 1997). A neural substrate of prediction and reward. Science, 275(5306), 1593-1599. DOI: 10.1126/science.275.5306.1593 Sciacca, S., Lynch, J., Davagnanam, I., Barker, R. (Julio 8, 2019). Midbrain, Pons, and Medulla: Anatomy and Syndromes. Radiographics. 39(4), 1110-1125. https://doi.org/10.1148/rg.2019180126 Sehba, F. A., y Bederson, J. B. (Junio, 2006). Mechanisms of acute brain injury after subarachnoid hemorrhage. Neurological Research, 28(4), 381-398. doi: 10.1179/016164106X114991 Stanisic, M., Aasen, A.O. Pripp, A. H., Lindegaard, K. F., Ramm-Pettersen, J., Lyngstadaas, S. P., Ivanovic, J., Konglund, A., Ilstad, E., Sandell, T., Ellingsen, O., Sæhle, T. (Abril 19, 2012). Local and systemic pro-inflammatory and anti-inflammatory cytokine patterns in patients with chronic subdural hematoma: a prospective study Inflammation. Research. 61, 845–852. https://doi.org/10.1007/s00011-012-0476-0 TIBCO, (s. f.). ¿Qué es un bosque aleatorio? https://www.tibco.com/es/reference-center/whatis-a-random-forest Torres, A. (2023). Tronco encefálico. KenHub. https://www.kenhub.com/es/library/anatomiaes/tronco-encefalico Trelles J. O., y Beteta E. (septiembre 14, 1959). Substancia Reticular. Anales de la Facultad de Medicina. 42(3), 321-46. https://revistasinvestigacion.unmsm.edu.pe/index.php/anales/article/view/8759 Triglia, A. (Julio 19, 2016). Tálamo: anatomía, estructuras y funciones. Psicología y mente. https://psicologiaymente.com/neurociencias/talamo-anatomia-funciones Van Timmeren, J. E., Cester, D., Tanadini-Lang, S., Alkadhi, H., Baessler, B. (Agosto 12, 2020). Radiomics in medical imaging—“how-to” guide and critical reflection. Insights Imaging, 11(91). https://doi.org/10.1186/s13244-020-00887-2 Varma, D. R. (enero, 2012). Managing DICOM images: Tips and tricks for the radiologist. The Indian journal of radiology and imaging. 22(1), 4-13. doi: 10.4103/0971-3026.95396 Vega Pedrero, M. J. (Marzo 9, 2017). Corteza Prefrontal: el director de orquesta. Hablemos de neurociencia. https://hablemosdeneurociencia.com/corteza-prefrontal-directororquesta/ Xu, Z., Shen, D., Nie, T., Kou, Y. (Julio, 2020). A hybrid sampling algorithm combining MSMOTE and ENN based on Random Forest for medical imbalanced data. Journal of Biomedical Informatics. 107. https://doi.org/10.1016/j.jbi.2020.103465 Ye, H., Gao, F., Yin, Y., Guo, D., Zhao, P., Lu, Y., Wang, X., Bai, J., Cao, K., Song, O., Zhang, H., Chen, W., Guo X. (Abril 30, 2019). Precise diagnosis of intracranial hemorrhage and subtypes using a three-dimensional joint convolutional and recurrent neural network. European Radiology, 29, 6191–6201. https://doi.org/10.1007/s00330-019- 06163-2 Zelada, C. (2017).Evaluación de modelos de clasificación Introducción. Rpubs. https://rpubs.com/chzelada/275494 Ziai, W. C., Carhuapoma, J. R. (Diciembre, 2018). Intracerebral Hemorrhage. Continuum (Minneap Minn). 24(6), 1603-1622. doi: 10.1212/CON.0000000000000672 Zhu, W., Zeng, N., y Wang, N. (enero, 2010). Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations. Northeast SAS Users Group 2010: Health Care and Life Sciences. https://lexjansen.com/nesug/nesug10/hl/hl07.pdf
dc.rights.spa.fl_str_mv	Derechos reservados - Universidad Autónoma de Occidente, 2023
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.spa.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, 2023 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	107 páginas
dc.format.mimetype.eng.fl_str_mv	application/pdf
dc.coverage.spatial.none.fl_str_mv	Cll 25 # 115-85 Km 2 Vía Cali - Jamundi
dc.publisher.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.publisher.program.spa.fl_str_mv	Ingeniería Biomédica
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/b32a9e53-e48e-4629-8956-be3cdfeb3590/download https://red.uao.edu.co/bitstreams/d3044547-ea99-4108-8c51-9aed2ed88119/download https://red.uao.edu.co/bitstreams/6169bf9c-0b6d-4a66-b527-999b38762da6/download https://red.uao.edu.co/bitstreams/63ab13d3-2eeb-4673-b673-1a4e678d033f/download https://red.uao.edu.co/bitstreams/349d01fd-4914-4197-b336-dfe9ef18f476/download https://red.uao.edu.co/bitstreams/5832a019-3bf0-4050-acb1-7b2a47a70bed/download https://red.uao.edu.co/bitstreams/57b2e8b3-f695-42e4-9bbf-937917e9920b/download
bitstream.checksum.fl_str_mv	183b0428bad3f887d7d17cdad46ef856 d42303ff8080a271a7f2273515af7ca5 20b5ba22b1117f71589c7318baa2c560 f59a2500124d2a97da8e4b98b52ebc3e 55c7f632528328801392f2ed91ed337b bb5481f0f30944906ad95d985f830992 6e7bc949e19243fb26fad31ba0eaf782
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_	1814259748107714560
spelling	Pulgarín Giraldo, Juan Diegovirtual::4178-1Orejuela Zapata, Juan Felipe, asesor471e62b90f7cb6e512b38728139d2bbbPabón Ordoñez, Laura Melisa60a1288204d0efd42ead16c4bd41c792Universidad Autónoma de OccidenteCll 25 # 115-85 Km 2 Vía Cali - Jamundi2023-08-18T13:34:05Z2023-08-18T13:34:05Z2023-05-30https://hdl.handle.net/10614/14927Universidad Autónoma de OccidenteRepositorio Educativo Digital UAOhttps://red.uao.edu.co/La aplicación cada vez más frecuente de máquinas de aprendizaje, destaca la habilidad de esta herramienta para realizar tareas y analizar datos complejos o en gran cantidad, logrando automatizar muchos procesos de la vida real. Además, en cuanto al entorno médico, específicamente en imagenología médica, el tiempo que toma la valoración de las imágenes puede ser crítico en algunas patologías como lo son las hemorragias intracraneales, las cuales se deben tratar lo más rápido posible para evitar un desenlace no deseado en el paciente. Por lo anterior el objetivo del presente proyecto se basa en desarrollar una metodología, aplicando modelos de máquinas de aprendizaje que permitan abordar la identificación de hemorragias intracraneales en imágenes de tomografía computarizada, clasificando pacientes sanos y enfermos, de acuerdo con los hallazgos en las imágenes, y priorizando la revisión del estudio para su posterior reporte, el cual es realizado por el personal médico. Para llevar a cabo la tarea de clasificación, se obtiene un conjunto de datos de 740 pacientes, de los cuales se extraen 21 regiones por cada paciente, como resultado 15540 muestras de las cuales 1978 se encuentran etiquetadas como enfermas y el resto como sanas, dichas muestras enfermas fueron sometidas a técnicas de balanceo de datos que permitieron equilibrar las clases; seguido a esto, se realiza extracción de características radiómicas a partir de dichas muestras y se procede a evaluar los modelos de clasificación, en donde se compara el desempeño de 6 modelos de máquinas de aprendizaje para obtener el modelo con las mejores métricas. Como resultado, el mejor modelo para realizar la clasificación fue árboles de decisión el cual obtuvo una puntuación F1 del 94,5% y un menor número de falsos positivos y falsos negativos, demostrando así su alta exactitud en comparación con los demás modelos. Los resultados obtenidos permitieron destacar el buen rendimiento de los algoritmos de máquinas de aprendizaje aplicados a la identificación de hemorragias intracraneales.The increasingly frequent application of machine learning highlights the ability of this tool to perform tasks and analyze complex or large amounts of data, managing to automate many real-life processes. Furthermore, in the medical environment, specifically in medical imaging, the time it takes to evaluate images can be critical in some pathologies, such as intracranial hemorrhages, which must be treated as quickly as possible to avoid an undesirable outcome in the patient. Therefore, the objective of the current project is based on developing a methodology, applying machine learning models that allow to address the identification of intracranial hemorrhages in computed tomography images, classifying healthy and sick patients according to the findings in the images, and prioritizing the review of the study for subsequent reporting, which is performed by medical staff. To carry out the classification task, a data set of 740 patients is obtained, from which 21 regions are extracted for each patient, resulting in 15540 samples, of which 1978 are labeled as diseased and the rest as healthy. These diseased samples were subjected to data balancing techniques that allowed balancing the classes, followed by extraction of radiomic features from these samples and proceed to evaluate the classification models, where the performance of 6 machine learning models is compared to obtain the model with the best metrics. As a result, the best model to perform the classification was decision trees which obtained an F1 score of 94.5% and a lower number of false positives and false negatives, thus demonstrating its high accuracy compared to the other models. The results highlighted the good performance of machine learning algorithms applied to identify intracranial hemorrhagesPasantía institucional (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2023PregradoIngeniero(a) Biomédico(a)107 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería BiomédicaFacultad de IngenieríaCaliDerechos reservados - Universidad Autónoma de Occidente, 2023https://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 BiomédicaCerebro - HemorragiaCerebroDiagnóstico por imagenTomografíaAprendizaje automático (Inteligencia artificial)Brain - HemorrhageBrainDiagnostic imagingTomographyMachine learningHemorragia intracranealMáquinas de aprendizajeTomografía computarizadaRadiómicaImágenes médicasIdentificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de LiliTrabajo 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_71e4c1898caa6e32Pabón Ordóñez, L. M. (2023). Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili. (Pasantía institucional). Universidad Autónoma de Occidente. Cali. Colombia. https://red.uao.edu.co/handle/10614/14927Aiello, M., Esposito, G., Pagliari, G., Borrelli, P., Brancato, V., Salvatore, M. (2021). How does DICOM support big data management? Investigating its use in medical imaging community. Insights Imaging, 12, 164. https://doi.org/10.1186/s13244-021-01081-8Alpaydin, E. (2014). What is Machine Learning?. Introduction to Machine Learning.(3a ed. Pp.1- 3). The MIT press. https://dl.matlabyar.com/siavash/ML/Book/Ethem%20AlpaydinIntroduction%20to%20Machine%20Learning-The%20MIT%20Press%20(2014).pdfAnalysis Group. (s. f.). FSL - FMRIB Software Library. (Versión 6.0) [Software de computador]. https://fsl.fmrib.ox.ac.uk/fsl/fslwikiAndrade González, L. J., y Cervantes Puente, J. (2014). Aprendizaje automático y modelos de clasificación. Revista Politécnica, 33(1). https://revistapolitecnica.epn.edu.ec/ojs2/index.php/revista_politecnica2/article/view/ 179Andy's Brain Book. (s. f.). Modulación paramétrica en SPM, FSL y AFNI. https://andysbrainbook.readthedocs.io/en/latest/PM/PM_Overview.htmlAprendeIA. (2018). Aprendizaje supervisado: Random Forest Classification. https://aprendeia.com/aprendizaje- supervisado-random-forest-classification/Arias Montoya, R., Santa Chávez, J. J., Veloza Mora, J. J. (2013). Aplicación del aprendizaje automático con árboles de decisión en el diagnóstico médico. Dialnet. 10(1), 63-72. https://dialnet.unirioja.es/servlet/articulo?codigo=6003033Bengio, Y., y Grandvalet, Y. (Diciembre 1, 2004). No unbiased estimator of the variance of kfold cross-validation. Journal of Machine Learning Research, 5, 1089-1105. https://www.jmlr.org/papers/volume5/grandvalet04a/grandvalet04a.pdfBergstra, J., y Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281-305. https://www.jmlr.org/papers/volume13/bergstra12a/bergstra12a.pdfBryant, J. A., Drage, N. A., Richmond, S. (Abril, 2012). CT number definition. Radiation Physics and Chemistry. 81(4), 358-361. https://doi.org/10.1016/j.radphyschem.2011.12.026Cáceres, J. A., y Goldstein, J. N. (agosto, 2012). Intracranial Hemorrhage. Emergency Medicine Clinics of North America, 30(3), 771-794. https://doi.org/10.1016/j.emc.2012.06.003Calzado, A., y Geleijns, J. (2010). Tomografía computarizada. Evolución, principios técnicos y aplicaciones. Revista Física Médica. 11(3), 163- 180. https://revistadefisicamedica.es/index.php/rfm/article/view/115Centre of Neuroskills. (s. f.). Cerebelo. https://www.neuroskills.com/language/espanol/cerebelo/Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of artificial intelligence research. 16, 321- 357. https://doi.org/10.1613/jair.953Cucchiara, B. L. (Octubre 4, 2022). Intraventricular hemorrhage. Uptodate. https://www.uptodate.com/contents/intraventricular-hemorrhageCui, G., Jun, S. B., Jin, X., Pham, M. D., Vogel, S. S., Lovinger, D. M., Costa, R. M. (Enero 23, 2013). Concurrent activation of striatal direct and indirect pathways during action initiation. Nature, 494(7436), 238-242. doi: 10.1038/nature11846Damier, P., Hirsch, E. C., Agid, Y., y Graybiel, A. M. (Agosto, 1999). The substantia nigra of the human brain. II. Patterns of loss of dopamine-containing neurons in Parkinson 's disease. Brain: a journal of neurology, 122(8), 1437–1448. https://doi.org/10.1093/brain/122.8.1437Edlmman, E., Giorgi-coll, S., Withfield, P. C., Carpenter, K. L., Hutchinson, P. J. (Mayo 30, 2017). Pathophysiology of chronic subdural haematoma: inflammation, angiogenesis and implications for pharmacotherapy. Journal of Neuroinflammation.14(1), 108.doi: 10.1186/s12974-017-0881-yFame, R. M., Cortés Campos, C., Sive, H. L. (Febrero 20, 2020). Brain Ventricular System and Cerebrospinal Fluid Development and Function: Light at the End of the Tube. Neurobiology Special Collection. 42(3). https://doi.org/10.1002/bies.201900186Fawcett, T. (junio, 2006). An introduction to ROC analysis. Pattern Recognition Letters. 27(8), 861-874. https://doi.org/10.1016/j.patrec.2005.10.010Fernández, A., García, S., Herrera, F. (2011). Addressing the classification with imbalanced data: Open problems and new challenges on class distribution. En: Corchado, E., Kurzyński, M., Woźniak, M. (eds). Hybrid Artificial Intelligent Systems. (Vol. 6678, pp 1-10). Springer. https://doi.org/10.1007/978-3-642-21219-2_1Forslund, I. (2022). Modification of the RusBoost algorithm: A comparison of classifiers on imbalanced data. [Tesis de Maestría, Umeå University]. Umeå University publications. https://urn.kb.se/resolve?urn=urn:nbn:se:umu:diva-196899Grujičić, R. (Diciembre 5, 2022). Tectum and tegmentum. KenHub. https://www.kenhub.com/en/library/anatomy/midbrain-pons-nuclei-tractsGudadhe, S.,y Thakare, A. (Enero 17, 2022) Classification of Intracranial Hemorrhage CT images for Stroke Analysis with Transformed and Image-based GLCM Features. Research Square. https://doi.org/10.21203/rs.3.rs-1234293/v1Guerri, M. (2023). Hipotálamo: anatomía, función y expresión de las emociones. Psicoactiva. https://www.psicoactiva.com/blog/hipotalamo-la-expresion-las-emociones/Hampton, L. (2023). Midbrain. Physiopedia. https://www.physio-pedia.com/MidbrainHernández Chávez, A., y Rodríguez García, D (2018). Neuroimagen de la hemorragia intraparenquimatosa cerebral primaria. Revista Cubana de Neurología y Neurocirugía. 8(2), 1-21. https://www.medigraphic.com/pdfs/revcubneuro/cnn2018/cnn182e.pdfHolmboe, E. S., y Durning, S. J. (enero 8, 2014). Assessing clinical reasoning: moving from in vitro to in vivo. Diagnosis, 1(1), 111-117. https://doi.org/10.1515/dx-2013-0029Icometrix (s.f.). dicom2nifti documentation. https://dicom2nifti.readthedocs.io/en/latest/Joon An, S., Kim Jung, T., Woo Yoon, B. (enero 31, 2017). Epidemiology, Risk Factors, and Clinical Features of Intracerebral Hemorrhage: An Update. Journal of stroke, 19(1), 3-10. https://doi.org/10.5853/jos.2016.00864Jordan, M. I., y Mitchell, T. M. (Julio 17, 2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. doi: 10.1126/science.aaa8415Jung, H. (2021). Basic Physical Principles and Clinical Applications of Computed Tomography. Progress in Medical Physics. 32(1), 1-17. https://doi.org/10.14316/pmp.2021.32.1.1Jurado, M. B. y Rosselli, M. (Septiembre 5, 2007). The elusive nature of executive functions: a review of our current understanding. Neuropsychology Review. 17(3), 213-233. doi: 10.1007/s11065-007-9040-zJutel, A. (febrero 16, 2009). Sociology of diagnosis: a preliminary review. Sociology of Health & Illness, 31(2), 278-299. https://doi.org/10.1111/j.1467-9566.2008.01152.xKandel, E.R., Schwartz, J.H., Jessell, T.M. (2000). Learning, Memory, Language and Cognition. Principles of neural science. (6ta ed.,pp 1291-1295). McGraw-Hill. https://neurology.mhmedical.com/book.aspx?bookID=3024Lecturio. (2022). Sistema ventricular: anatomía. https://app.lecturio.com/#/article/2988?return=%23%2Fwelcome%3Ffv%3D1Morera Munt, A. (2018). Introducción a los modelos de redes neuronales artificiales. El Perceptrón simple y multicapa. [Tesis de pregrado, Universidad Zaragosa]. Repositorio Universidad de Zaragosa. https://zaguan.unizar.es/record/69205/files/TAZ-TFG-2018-148.pdf;Najm, M., Kuang, H., Federico, A., Uzair, J., Mayank, G., Hill, M. D., Demchuk, A., Menon, B. K., & Qiu, W. (Julio, 2019). Automated brain extraction from head CT and CTA images using convex optimization with shape propagation. Computer Methods and Programs in Biomedicine. 176, 1-8. https://doi.org/10.1016/j.cmpb.2019.04.030Ortiz Pardo, E., Banderas León, A., Unigarro, L., Santillan, P. (2018). Oxigenación y Flujo Sanguíneo Cerebral, Revisión Comprensiva de la Literatura. Revista Ecuatoriana de Neurología, 27(1), 80-89. https://revecuatneurol.com/wpcontent/uploads/2018/09/Oxigenacio%CC%81n-y-Flujo-Sangui%CC%81neoCerebral.pdfPandian, S. (Febrero 22, 2022). A Comprehensive Guide on Hyperparameter Tuning and its Techniques. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2022/02/acomprehensive-guide-on-hyperparameter-tuning-and-its-techniques/Pei, L., Murat, A., Tahon, N. H., Zenkin, S., Alkarawi, S., Kamal, A., Yilmaz, M., Chen, L., Er, M., Ak, N., Colen, R. (junio 27, 2022). A general skull stripping of multiparametric brain MRIs using 3D convolutional neural network. Scientific Reports ,12, 10826. https://doi.org/10.1038/s41598-022-14983-4Pop, M. G., Crivii, C., Opincariu, L. (2018). Anantomy and Function of the Hypothalamus. En J. B. Stavros y J. E. Gordeladze (Eds.). Hypothalamus in Health and Diseases. (pp. 4- 6). IntechOpen. http://dx.doi.org/10.5772/intechopen.80728Price, D. D. (Diciembre 10, 2021). Epidural Hematoma Management in the ED Treatment & Management. Medscape. https://emedicine.medscape.com/article/824029- treatment?form=fpfRadio Lili. (Noviembre 10, 2021). Diagnóstico crítico de la semana: hemorragias cerebrales. Subdural. [Fotografía]. https://www.instagram.com/p/CWF8FeSNSr4/?igshid=YmMyMTA2M2Y=Radio Lili. (Noviembre 10, 2021). Diagnóstico crítico de la semana: hemorragias cerebrales. Epidural. [Fotografía]. Instagram. https://www.instagram.com/p/CWF8FeSNSr4/?igshid=YmMyMTA2M2Y=Radio Lili. (Noviembre 10, 2021). Diagnóstico crítico de la semana: hemorragias cerebrales. Subaracnoidea. [Fotografía]. Instagram. https://www.instagram.com/p/CWIqzz_BGgc/?igshid=MDJmNzVkMjY=Ray, S. (Septiembre 11, 2017). Naive Bayes Classifier Explained: Applications and Practice Problems of Naive Bayes Classifier. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2017/09/naive-bayes-explained/Ringer, A. (2018). Intracerebral Hemorrhage (ICH). Mayfield Brain & Spine. https://mayfieldclinic.com/pe-ich.htmRuiz Imbert, A. C., Cascante Sequeira, D. (diciembre 11, 2021). Grayscale Values in Cone Beam Computed Tomography: Scope and Limitations. Odovtos International Journal of Dental Sciences, 23(2), 52-62. https://doi.org/10.15517/IJDS.2021.45106Sage, A. y Badura, P. (Octubre 27, 2020). Intracranial Hemorrhage Detection in Head CT Using Double-Branch Convolutional Neural Network, Support Vector Machine, and Random Forest. Applied Sciences. 10(21), 75-77, doi:10.3390/app10217577Schultz, W., Dayan, P., Montague, P. R. (Marzo 14, 1997). A neural substrate of prediction and reward. Science, 275(5306), 1593-1599. DOI: 10.1126/science.275.5306.1593Sciacca, S., Lynch, J., Davagnanam, I., Barker, R. (Julio 8, 2019). Midbrain, Pons, and Medulla: Anatomy and Syndromes. Radiographics. 39(4), 1110-1125. https://doi.org/10.1148/rg.2019180126Sehba, F. A., y Bederson, J. B. (Junio, 2006). Mechanisms of acute brain injury after subarachnoid hemorrhage. Neurological Research, 28(4), 381-398. doi: 10.1179/016164106X114991Stanisic, M., Aasen, A.O. Pripp, A. H., Lindegaard, K. F., Ramm-Pettersen, J., Lyngstadaas, S. P., Ivanovic, J., Konglund, A., Ilstad, E., Sandell, T., Ellingsen, O., Sæhle, T. (Abril 19, 2012). Local and systemic pro-inflammatory and anti-inflammatory cytokine patterns in patients with chronic subdural hematoma: a prospective study Inflammation. Research. 61, 845–852. https://doi.org/10.1007/s00011-012-0476-0TIBCO, (s. f.). ¿Qué es un bosque aleatorio? https://www.tibco.com/es/reference-center/whatis-a-random-forestTorres, A. (2023). Tronco encefálico. KenHub. https://www.kenhub.com/es/library/anatomiaes/tronco-encefalicoTrelles J. O., y Beteta E. (septiembre 14, 1959). Substancia Reticular. Anales de la Facultad de Medicina. 42(3), 321-46. https://revistasinvestigacion.unmsm.edu.pe/index.php/anales/article/view/8759Triglia, A. (Julio 19, 2016). Tálamo: anatomía, estructuras y funciones. Psicología y mente. https://psicologiaymente.com/neurociencias/talamo-anatomia-funcionesVan Timmeren, J. E., Cester, D., Tanadini-Lang, S., Alkadhi, H., Baessler, B. (Agosto 12, 2020). Radiomics in medical imaging—“how-to” guide and critical reflection. Insights Imaging, 11(91). https://doi.org/10.1186/s13244-020-00887-2Varma, D. R. (enero, 2012). Managing DICOM images: Tips and tricks for the radiologist. The Indian journal of radiology and imaging. 22(1), 4-13. doi: 10.4103/0971-3026.95396Vega Pedrero, M. J. (Marzo 9, 2017). Corteza Prefrontal: el director de orquesta. Hablemos de neurociencia. https://hablemosdeneurociencia.com/corteza-prefrontal-directororquesta/Xu, Z., Shen, D., Nie, T., Kou, Y. (Julio, 2020). A hybrid sampling algorithm combining MSMOTE and ENN based on Random Forest for medical imbalanced data. Journal of Biomedical Informatics. 107. https://doi.org/10.1016/j.jbi.2020.103465Ye, H., Gao, F., Yin, Y., Guo, D., Zhao, P., Lu, Y., Wang, X., Bai, J., Cao, K., Song, O., Zhang, H., Chen, W., Guo X. (Abril 30, 2019). Precise diagnosis of intracranial hemorrhage and subtypes using a three-dimensional joint convolutional and recurrent neural network. European Radiology, 29, 6191–6201. https://doi.org/10.1007/s00330-019- 06163-2Zelada, C. (2017).Evaluación de modelos de clasificación Introducción. Rpubs. https://rpubs.com/chzelada/275494Ziai, W. C., Carhuapoma, J. R. (Diciembre, 2018). Intracerebral Hemorrhage. Continuum (Minneap Minn). 24(6), 1603-1622. doi: 10.1212/CON.0000000000000672Zhu, W., Zeng, N., y Wang, N. (enero, 2010). Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations. Northeast SAS Users Group 2010: Health Care and Life Sciences. https://lexjansen.com/nesug/nesug10/hl/hl07.pdfComunidad generalPublicationhttps://scholar.google.com.co/citations?user=Bwuc2BkAAAAJ&hl=envirtual::4178-10000-0002-6409-5104virtual::4178-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000207497virtual::4178-133e9b6b4-bd6d-4b86-b500-ae237e1e9a98virtual::4178-133e9b6b4-bd6d-4b86-b500-ae237e1e9a98virtual::4178-1ORIGINALT10707_Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili.pdfT10707_Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili.pdfTexto archivo completo de trabajo de grado.pdfapplication/pdf1463088https://red.uao.edu.co/bitstreams/b32a9e53-e48e-4629-8956-be3cdfeb3590/download183b0428bad3f887d7d17cdad46ef856MD51TA10707_Autorización trabajo de grado.pdfTA10707_Autorización trabajo de grado.pdfAutorización publicación del trabajo de gradoapplication/pdf238026https://red.uao.edu.co/bitstreams/d3044547-ea99-4108-8c51-9aed2ed88119/downloadd42303ff8080a271a7f2273515af7ca5MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/6169bf9c-0b6d-4a66-b527-999b38762da6/download20b5ba22b1117f71589c7318baa2c560MD53TEXTT10707_Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili.pdf.txtT10707_Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili.pdf.txtExtracted texttext/plain181885https://red.uao.edu.co/bitstreams/63ab13d3-2eeb-4673-b673-1a4e678d033f/downloadf59a2500124d2a97da8e4b98b52ebc3eMD54TA10707_Autorización trabajo de grado.pdf.txtTA10707_Autorización trabajo de grado.pdf.txtExtracted texttext/plain4080https://red.uao.edu.co/bitstreams/349d01fd-4914-4197-b336-dfe9ef18f476/download55c7f632528328801392f2ed91ed337bMD56THUMBNAILT10707_Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili.pdf.jpgT10707_Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili.pdf.jpgGenerated Thumbnailimage/jpeg5754https://red.uao.edu.co/bitstreams/5832a019-3bf0-4050-acb1-7b2a47a70bed/downloadbb5481f0f30944906ad95d985f830992MD55TA10707_Autorización trabajo de grado.pdf.jpgTA10707_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13170https://red.uao.edu.co/bitstreams/57b2e8b3-f695-42e4-9bbf-937917e9920b/download6e7bc949e19243fb26fad31ba0eaf782MD5710614/14927oai:red.uao.edu.co:10614/149272024-03-13 14:16:57.989https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2023open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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

Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili

Publicaciones similares