Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.

Medicine has grown considerably with technology in recent years, tools such as Machine Learning in the medical area are some of the most technical that represent a great benefit for the prevention and diagnosis of pathology in patients. In this work, a convolutional neural network consisting of two...

Full description

Autores:: Martinez Ojeda, Gonzalo Enrique

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2022

Institución:: Universidad Antonio Nariño

Repositorio:: Repositorio UAN

Idioma:: spa

id	UAntonioN2_4354b4d5481c3ad5f9ce3716576b54e0
oai_identifier_str	oai:repositorio.uan.edu.co:123456789/6085
network_acronym_str	UAntonioN2
network_name_str	Repositorio UAN
repository_id_str
dc.title.es_ES.fl_str_mv	Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.
title	Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.
spellingShingle	Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna. Escoliosis imágenes de RX redes neuronales Scoliosis neural networks X-ray images
title_short	Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.
title_full	Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.
title_fullStr	Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.
title_full_unstemmed	Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.
title_sort	Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.
dc.creator.fl_str_mv	Martinez Ojeda, Gonzalo Enrique
dc.contributor.advisor.spa.fl_str_mv	Quinayas Burgos, Cesar Augusto
dc.contributor.author.spa.fl_str_mv	Martinez Ojeda, Gonzalo Enrique
dc.subject.es_ES.fl_str_mv	Escoliosis imágenes de RX redes neuronales
topic	Escoliosis imágenes de RX redes neuronales Scoliosis neural networks X-ray images
dc.subject.keyword.es_ES.fl_str_mv	Scoliosis neural networks X-ray images
description	Medicine has grown considerably with technology in recent years, tools such as Machine Learning in the medical area are some of the most technical that represent a great benefit for the prevention and diagnosis of pathology in patients. In this work, a convolutional neural network consisting of two convolution layers and a feedforward network with 128 neurons and an output layer with three neurons is implemented in Python for the classification of scoliosis type C and S and healthy patients from RX images. of column of a Kaggle database and a proprietary database obtained from the Sagrado Corazón de Jesús Hospital, with the purpose that this algorithm serves as support to physiotherapists and orthopedists in decision making and that it can be carried out in a shorter time. The results obtained during the development of the tests indicate that the tool has an acceptable degree of accuracy compared to other articles such as "Development and Validation of Deep Learning Algorithms For Scoliosis Screening Using Back Images" Which Has An Accuracy Over 80% Using Back Images. Real-time patients or photographs that included a total of 3240 images for training (including 1029 men and 2211 women) and for validation a total of 400 images (300 images with scoliosis and 100 of healthy patients), however the implemented classifier In this work, a limited sample of images was trained and validated (150 images, divided into 75 images for training and 75 images for testing), obtaining a success rate of 94%, which can be a support tool for the diagnosis of the type of scoliosis in an automated way, unlike conventional methods
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-03-04T19:49:49Z
dc.date.available.none.fl_str_mv	2022-03-04T19:49:49Z
dc.date.issued.spa.fl_str_mv	2022-01-27
dc.type.spa.fl_str_mv	Trabajo de grado (Pregrado y/o Especialización)
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion.none.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	http://repositorio.uan.edu.co/handle/123456789/6085
dc.identifier.bibliographicCitation.spa.fl_str_mv	Adolescent Idiopathic Scoliosis \| Scoliosis Research Society. (s. f.). Scoliosis Research Society.https://www.srs.org/patients-and-families/conditions-andtreatments/parents/scoliosis/adolescent-idiopathic-scoliosis Amari, S., Murata, N., Muller, K. R., Finke, M., & Yang, H. H. (1997). Asymptotic statistical theory of overtraining and cross-validation. IEEE Transactions on Neural Networks, 8(5), 985–996. https://doi.org/10.1109/72.623200 Aramendi, A. R. (2018/2019). Estudio observacional de las características físicas de las personas con escoliosis, según los criterios del ángulo de rotación del tronco, comparado con un grupo control, en una población escolar. [Universidad de Zaragoza]. https://zaguan.unizar.es/record/102048?ln=es Artola Moreno, Á. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python [Trabajo de grado no publicado]. Universidad de Sevilla. Campaña Jiménez, M. E. (2020). Scoliosis and physical activity in primary school students. ESHPA - Education, Sport, Health and Physical Activity, 5(3), 178–192. https://doi.org/10.5281/ZENODO.4241290 Bisong, E. (2019). Google Colaboratory. En Building Machine Learning and Deep Learning Models on Google Cloud Platform (pp. 59–64). Apress. Chanampe, H., Aciar, S., Vega, M. de la, Molinari Sotomayor, J. L., Carrascosa, G., & Lorefice, A. (2019). Modelo de redes neuronales convolucionales profundas para la clasificación de lesiones en ecografías mamarias. XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan). Consenso de escoliosis idiopática del adolescente Autor: Comité Nacional de Adolescencia SAP, Comité de Diagnóstico por Imágenes SAP, Sociedad Argentina de Ortopedia y Traumatología Infantil (SAOTI)Sociedad Argentina de Patología de la Columna Vert. (s/f). Codajic.org. Recuperado el 10 de enero de 2022, de http://www.codajic.org/node/2218 Cunin, V., & Raux, S. (2021). Escoliosis idiopática en período de crecimiento. EMC - Pediatría, 56(3), 1–38. https://doi.org/10.1016/s1245-1789(21)45481-8 D. Gizlyk. “Redes neuronales: así de sencillo (parte 12): Dropout. 2021. Disponible en https://www.mql5.com/es/articles/9112
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Antonio Nariño
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UAN
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repositorio.uan.edu.co/
url	http://repositorio.uan.edu.co/handle/123456789/6085
identifier_str_mv	Adolescent Idiopathic Scoliosis \| Scoliosis Research Society. (s. f.). Scoliosis Research Society.https://www.srs.org/patients-and-families/conditions-andtreatments/parents/scoliosis/adolescent-idiopathic-scoliosis Amari, S., Murata, N., Muller, K. R., Finke, M., & Yang, H. H. (1997). Asymptotic statistical theory of overtraining and cross-validation. IEEE Transactions on Neural Networks, 8(5), 985–996. https://doi.org/10.1109/72.623200 Aramendi, A. R. (2018/2019). Estudio observacional de las características físicas de las personas con escoliosis, según los criterios del ángulo de rotación del tronco, comparado con un grupo control, en una población escolar. [Universidad de Zaragoza]. https://zaguan.unizar.es/record/102048?ln=es Artola Moreno, Á. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python [Trabajo de grado no publicado]. Universidad de Sevilla. Campaña Jiménez, M. E. (2020). Scoliosis and physical activity in primary school students. ESHPA - Education, Sport, Health and Physical Activity, 5(3), 178–192. https://doi.org/10.5281/ZENODO.4241290 Bisong, E. (2019). Google Colaboratory. En Building Machine Learning and Deep Learning Models on Google Cloud Platform (pp. 59–64). Apress. Chanampe, H., Aciar, S., Vega, M. de la, Molinari Sotomayor, J. L., Carrascosa, G., & Lorefice, A. (2019). Modelo de redes neuronales convolucionales profundas para la clasificación de lesiones en ecografías mamarias. XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan). Consenso de escoliosis idiopática del adolescente Autor: Comité Nacional de Adolescencia SAP, Comité de Diagnóstico por Imágenes SAP, Sociedad Argentina de Ortopedia y Traumatología Infantil (SAOTI)Sociedad Argentina de Patología de la Columna Vert. (s/f). Codajic.org. Recuperado el 10 de enero de 2022, de http://www.codajic.org/node/2218 Cunin, V., & Raux, S. (2021). Escoliosis idiopática en período de crecimiento. EMC - Pediatría, 56(3), 1–38. https://doi.org/10.1016/s1245-1789(21)45481-8 D. Gizlyk. “Redes neuronales: así de sencillo (parte 12): Dropout. 2021. Disponible en https://www.mql5.com/es/articles/9112 instname:Universidad Antonio Nariño reponame:Repositorio Institucional UAN repourl:https://repositorio.uan.edu.co/
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.rights.none.fl_str_mv	Acceso abierto
dc.rights.license.spa.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) Acceso abierto https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.publisher.spa.fl_str_mv	Universidad Antonio Nariño
dc.publisher.program.spa.fl_str_mv	Ingeniería Biomédica
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería Mecánica, Electrónica y Biomédica
dc.publisher.campus.spa.fl_str_mv	Popayán - Alto Cauca
institution	Universidad Antonio Nariño
bitstream.url.fl_str_mv	https://repositorio.uan.edu.co/bitstreams/e53750ea-94d0-4f27-8d38-52c103216efa/download https://repositorio.uan.edu.co/bitstreams/20e80437-2b9e-458c-8f8c-f3b9983c70a8/download https://repositorio.uan.edu.co/bitstreams/864b80aa-9340-42bb-ab50-6c794e6f3598/download https://repositorio.uan.edu.co/bitstreams/2cbaabca-8728-4740-b318-80ad57fdf4fe/download
bitstream.checksum.fl_str_mv	188d4a3e94985d3606e08cc1289fb71d 81f9e99002e49c87c9ffbdc7ee02f861 f0902b776a7da316d9155a19f7176866 9868ccc48a14c8d591352b6eaf7f6239
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional UAN
repository.mail.fl_str_mv	alertas.repositorio@uan.edu.co
_version_	1814300413650796544
spelling	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Acceso abiertohttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Quinayas Burgos, Cesar AugustoMartinez Ojeda, Gonzalo Enrique205615140092022-03-04T19:49:49Z2022-03-04T19:49:49Z2022-01-27http://repositorio.uan.edu.co/handle/123456789/6085Adolescent Idiopathic Scoliosis \| Scoliosis Research Society. (s. f.). Scoliosis Research Society.https://www.srs.org/patients-and-families/conditions-andtreatments/parents/scoliosis/adolescent-idiopathic-scoliosisAmari, S., Murata, N., Muller, K. R., Finke, M., & Yang, H. H. (1997). Asymptotic statistical theory of overtraining and cross-validation. IEEE Transactions on Neural Networks, 8(5), 985–996. https://doi.org/10.1109/72.623200Aramendi, A. R. (2018/2019). Estudio observacional de las características físicas de las personas con escoliosis, según los criterios del ángulo de rotación del tronco, comparado con un grupo control, en una población escolar. [Universidad de Zaragoza]. https://zaguan.unizar.es/record/102048?ln=esArtola Moreno, Á. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python [Trabajo de grado no publicado]. Universidad de Sevilla.Campaña Jiménez, M. E. (2020). Scoliosis and physical activity in primary school students. ESHPA - Education, Sport, Health and Physical Activity, 5(3), 178–192. https://doi.org/10.5281/ZENODO.4241290Bisong, E. (2019). Google Colaboratory. En Building Machine Learning and Deep Learning Models on Google Cloud Platform (pp. 59–64). Apress.Chanampe, H., Aciar, S., Vega, M. de la, Molinari Sotomayor, J. L., Carrascosa, G., & Lorefice, A. (2019). Modelo de redes neuronales convolucionales profundas para la clasificación de lesiones en ecografías mamarias. XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan).Consenso de escoliosis idiopática del adolescente Autor: Comité Nacional de Adolescencia SAP, Comité de Diagnóstico por Imágenes SAP, Sociedad Argentina de Ortopedia y Traumatología Infantil (SAOTI)Sociedad Argentina de Patología de la Columna Vert. (s/f). Codajic.org. Recuperado el 10 de enero de 2022, de http://www.codajic.org/node/2218Cunin, V., & Raux, S. (2021). Escoliosis idiopática en período de crecimiento. EMC - Pediatría, 56(3), 1–38. https://doi.org/10.1016/s1245-1789(21)45481-8D. Gizlyk. “Redes neuronales: así de sencillo (parte 12): Dropout. 2021. Disponible en https://www.mql5.com/es/articles/9112instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/Medicine has grown considerably with technology in recent years, tools such as Machine Learning in the medical area are some of the most technical that represent a great benefit for the prevention and diagnosis of pathology in patients. In this work, a convolutional neural network consisting of two convolution layers and a feedforward network with 128 neurons and an output layer with three neurons is implemented in Python for the classification of scoliosis type C and S and healthy patients from RX images. of column of a Kaggle database and a proprietary database obtained from the Sagrado Corazón de Jesús Hospital, with the purpose that this algorithm serves as support to physiotherapists and orthopedists in decision making and that it can be carried out in a shorter time. The results obtained during the development of the tests indicate that the tool has an acceptable degree of accuracy compared to other articles such as "Development and Validation of Deep Learning Algorithms For Scoliosis Screening Using Back Images" Which Has An Accuracy Over 80% Using Back Images. Real-time patients or photographs that included a total of 3240 images for training (including 1029 men and 2211 women) and for validation a total of 400 images (300 images with scoliosis and 100 of healthy patients), however the implemented classifier In this work, a limited sample of images was trained and validated (150 images, divided into 75 images for training and 75 images for testing), obtaining a success rate of 94%, which can be a support tool for the diagnosis of the type of scoliosis in an automated way, unlike conventional methodsLa medicina ha crecido de una forma considerable con la tecnología en los últimos años, las herramientas como el Machine Learning en el área médica son unas de las más tecnificadas que representan un gran beneficio para la prevención y diagnóstico de patología en pacientes. En este trabajo se implementa en Python una red neuronal convolucional constituida por dos capas de convolución y una red feedforward con 128 neuronas y una capa de salida con tres neuronas para la clasificación de escoliosis tipo C y S y pacientes sanos a partir de imágenes de RX de columna de una base de datos de Kaggle y una base de datos propia obtenida del Hospital Sagrado Corazón de Jesús, con el propósito de que este algoritmo sirva de apoyo a los fisioterapeutas y ortopedistas en la toma de decisiones y que se pueda realizar en un menor tiempo. Los resultados obtenidos durante el desarrollo de las pruebas indican que la herramienta tiene un grado aceptable de precisión comparada otros artículos como “Development and validation of deep learning algorithms for scoliosis screening using back images” que tiene una precisión superior al 80% utilizando imágenes de pacientes en tiempo real o fotografías que incluyeron un total de 3240 imágenes para el entrenamiento (incluidos 1029 hombres y 2211 mujeres) y para la validación un total de 400 imágenes(300 imágenes con escoliosis y 100 de pacientes sanos), sin embargo el clasificador implementado en este trabajo se entrenó y valido con una muestra limitada de imágenes (150 imágenes, repartidas en 75 imágenes para entrenamiento y 75 imágenes para prueba ), obteniendo un porcentaje de acierto del 94%, lo cual se puede constituir en una herramienta de apoyo al diagnóstico del tipo de escoliosis de manera automatizada a diferencia de los métodos convencionales.Ingeniero(a) Biomédico(a)PregradoPresencialMonografíaspaUniversidad Antonio NariñoIngeniería BiomédicaFacultad de Ingeniería Mecánica, Electrónica y BiomédicaPopayán - Alto CaucaEscoliosisimágenes de RXredes neuronalesScoliosisneural networksX-ray imagesDesarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.Trabajo de grado (Pregrado y/o Especialización)http://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85GeneralORIGINAL2022_GonzaloMartinez2022_GonzaloMartinezapplication/pdf1911399https://repositorio.uan.edu.co/bitstreams/e53750ea-94d0-4f27-8d38-52c103216efa/download188d4a3e94985d3606e08cc1289fb71dMD532022_GonzaloMartinez_Acta2022_GonzaloMartinez_Actaapplication/pdf491722https://repositorio.uan.edu.co/bitstreams/20e80437-2b9e-458c-8f8c-f3b9983c70a8/download81f9e99002e49c87c9ffbdc7ee02f861MD522022_GonzaloMartinez_Autorización2022_GonzaloMartinez_Autorizaciónapplication/pdf1089961https://repositorio.uan.edu.co/bitstreams/864b80aa-9340-42bb-ab50-6c794e6f3598/downloadf0902b776a7da316d9155a19f7176866MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.uan.edu.co/bitstreams/2cbaabca-8728-4740-b318-80ad57fdf4fe/download9868ccc48a14c8d591352b6eaf7f6239MD54123456789/6085oai:repositorio.uan.edu.co:123456789/60852024-10-09 23:13:54.877https://creativecommons.org/licenses/by-nc-nd/4.0/Acceso abiertoopen.accesshttps://repositorio.uan.edu.coRepositorio Institucional UANalertas.repositorio@uan.edu.co

Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.

Publicaciones similares