Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas

Propia

Autores:
Vivas Gasca, María Camila
Cediel Sánchez, Erlyn Julián
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2020
Institución:
Universidad Antonio Nariño
Repositorio:
Repositorio UAN
Idioma:
spa
OAI Identifier:
oai:repositorio.uan.edu.co:123456789/3155
Acceso en línea:
http://repositorio.uan.edu.co/handle/123456789/3155
Palabra clave:
GAN
Radiografías Panorámicas Dentales
Banco de Imágenes
GAN
Panoramic Dental Radiographs
Image Bank
Rights
openAccess
License
Attribution 4.0 International (CC BY 4.0)
id UAntonioN2_a6a44790e714ee18989b3742cc983965
oai_identifier_str oai:repositorio.uan.edu.co:123456789/3155
network_acronym_str UAntonioN2
network_name_str Repositorio UAN
repository_id_str
dc.title.es_ES.fl_str_mv Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas
title Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas
spellingShingle Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas
GAN
Radiografías Panorámicas Dentales
Banco de Imágenes
GAN
Panoramic Dental Radiographs
Image Bank
title_short Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas
title_full Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas
title_fullStr Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas
title_full_unstemmed Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas
title_sort Evaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanas
dc.creator.fl_str_mv Vivas Gasca, María Camila
Cediel Sánchez, Erlyn Julián
dc.contributor.advisor.spa.fl_str_mv Duarte González, Mario Enrique
dc.contributor.author.spa.fl_str_mv Vivas Gasca, María Camila
Cediel Sánchez, Erlyn Julián
dc.subject.es_ES.fl_str_mv GAN
Radiografías Panorámicas Dentales
Banco de Imágenes
topic GAN
Radiografías Panorámicas Dentales
Banco de Imágenes
GAN
Panoramic Dental Radiographs
Image Bank
dc.subject.keyword.es_ES.fl_str_mv GAN
Panoramic Dental Radiographs
Image Bank
description Propia
publishDate 2020
dc.date.issued.spa.fl_str_mv 2020-11-27
dc.date.accessioned.none.fl_str_mv 2021-03-10T20:13:50Z
dc.date.available.none.fl_str_mv 2021-03-10T20:13:50Z
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/123456789/3155
dc.identifier.bibliographicCitation.spa.fl_str_mv Azuar Alonso, D. (2019). Transformación de emociones mediante redes generativas antagónicas.
Almeida Lucas, E. (2019). Pronóstico de energía eólica para horizontes temporales de corto plazo en base a modelo numérico de mesoescala y redes neuronales artificiales.
Bilkis, M. (2018). Entropía condicional y correlaciones cuánticas (Doctoral dissertation, Universidad Nacional de La Plata).
Bogotá, C. D. C. (2012). Ley 1581 de 2012.
Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative adversarial networks: An overview. IEEE Signal Processing Magazine.
Condicional, C. I. D. L. P., & Independencia, E. (2005). Razonamiento sobre probabilidad condicional e implicaciones para la enseñanza de la estadística. Epsilon, 59, 245-260.
Choi, E., Biswal, S., Malin, B., Duke, J., Stewart, W. F., & Sun, J. (2017). Generating multi-label discrete patient records using generative adversarial networks. arXiv preprint arXiv:1703.06490.
Colombia, L. E. 1581 de 2012, por la cual se dictan disposiciones generales para la protección de datos personales, 48.587 Diario Oficial, 18 de octubre de 2012.
Chuquicusma, M. J., Hussein, S., Burt, J., & Bagci, U. (2018, April). How to fool radiologists with generative adversarial networks? a visual Turing test for lung cancer diagnosis. In 2018 IEEE 15th international symposium on biomedical imaging (ISBI 2018) (pp. 240-244). IEEE.
Chi, C., Du, Y., Ye, J., Kou, D., Qiu, J., Wang, J., ... & Chen, X. (2014). Intraoperative imaging-guided cancer surgery: from current fluorescence molecular imaging methods to future multi-modality imaging technology. Theranostics, 4(11), 1072
Denton, E. L., Chintala, S., & Fergus, R. (2015). Deep generative image models using a laplacian pyramid of adversarial networks. In Advances in neural information processing systems (pp. 1486-1494).
Dumoulin, V., & Visin, F. (2016). A guide to convolution arithmetic for deep learning. arXiv preprint arXiv:1603.07285.
Durugkar, I., Gemp, I., & Mahadevan, S. (2016). Generative multi-adversarial networks. arXiv preprint arXiv:1611.01673.
Fernández Blanco, R. (2019). Deep Learning para la generación de imágenes histopatológicas realistas mediante aritmética de vectores conceptuales.
Frid-Adar, M., Diamant, I., Klang, E., Amitai, M., Goldberger, J., & Greenspan, H. (2018). GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification. Neurocomputing, 321, 321-331.
Franco, E. F., & Ramos, R. J. (2019). Aprendizaje de máquina y aprendizaje profundo en biotecnología: aplicaciones, impactos y desafíos. Ciencia, Ambiente y Clima, 2(2), 7-26.
González-Islas, J. C. (2019). Aprendizaje Automático en Aplicaciones Fisioterapéuticas. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 7(Especial), 104-110.
Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative Adversarial Networks. jun 2014a. URL http://arxiv. org/abs/1406.2661.
GAN’S. (2018). GitHub. https://github.com/hindupuravinash/the-gan-zoo/blob/master/gans.tsv
Grau Romero, M. (2020). Clasificador de modelos de movilidad mediante Deep Learning.
Gadermayr, M., Li, K., Müller, M., Truhn, D., Krämer, N., Merhof, D., & Gess, B. (2019). Domain‐specific data augmentation for segmenting MR images of fatty infiltrated human thighs with neural networks. Journal of Magnetic Resonance Imaging, 49(6), 1676-1683.
IBM. (2020). Inteligencia artificial. https://www.ibm.com/ar-es/analytics/machine-learning?p1=Search&p4=43700053692634426&p5=b&cm_mmc=Search_Google-_-1S_1S-_-LA_ISA-_-datos%20%2Bmachine%20%2Blearning_b&cm_mmca7=71700000065289299&cm_mmca8=kwd-1097762210552&cm_mmca9=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&cm_mmca10=451404725204&cm_mmca11=b&gclid=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&gclsrc=aw.ds. https://www.ibm.com/ar-es/analytics/machine-learning?p1=Search&p4=43700053692634426&p5=b&cm_mmc=Search_Google-_-1S_1S-_-LA_ISA-_-datos%20%2Bmachine%20%2Blearning_b&cm_mmca7=71700000065289299&cm_mmca8=kwd-1097762210552&cm_mmca9=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&cm_mmca10=451404725204&cm_mmca11=b&gclid=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&gclsrc=aw.ds
Irala, J., Martínez-González, M. Á., & Grima, F. G. (2001). ¿ Qué es una variable de confusión?. Medicina clínica, 117(10), 377-385.
Li, R., Zhang, W., Suk, H. I., Wang, L., Li, J., Shen, D., & Ji, S. (2014, September). Deep learning based imaging data completion for improved brain disease diagnosis. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 305-312). Springer, Cham.
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60-88.
Miyato, T., Kataoka, T., Koyama, M., & Yoshida, Y. (2018). Spectral normalization for generative adversarial networks. arXiv preprint arXiv:1802.05957.
Mantilla Mendez, A., & Vega Arango, J. S. (2011). Magi: Sistema Basado En Técnicas De Inteligencia Artificial Y De Tratamiento Digital De Imágenes Para La Detección De Tumores Cerebrales (Doctoral dissertation, Universidad Industrial de Santander, Escuela De Ing. De Sistemas).
Onishi, Y., Teramoto, A., Tsujimoto, M., Tsukamoto, T., Saito, K., Toyama, H., ... & Fujita, H. (2019). Automated pulmonary nodule classification in computed tomography images using a deep convolutional neural network trained by generative adversarial networks. BioMed research international, 2019.
Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:1511.06434.
Russ, T., Goerttler, S., Schnurr, A. K., Bauer, D. F., Hatamikia, S., Schad, L. R., ... & Chung, K. (2019). Synthesis of CT images from digital body phantoms using CycleGAN. International Journal of Computer Assisted Radiology and Surgery, 14(10), 1741-1750.
Rudas, J., & Sánchez Torres, G. (2013). Detección de patologías derivadas de las afecciones diabéticas: una revisión del análisis digital de imágenes de retina. Revista Científica Ingeniería y Desarrollo, 31(2), 316-338.
Sandoval, T. C. N., Pérez, S. V. G., González, F. A., Jaque, R. A., & Infante, C. (2016). Uso de redes neuronales artificiales en predicción de morfología mandibular a través de variables craneomaxilares en una vista posteroanterior/Use of Artificial Neural Networks for Mandibular Morphology Prediction through Craniomaxillar Variables... Universitas Odontológica, 35(74), 21-28.
Silva, G., Oliveira, L., & Pithon, M. (2018). Corrigendum to" Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives"[Expert Systems with Applications, Vol. 107 (2018) 15-31]. Expert Syst. Appl., 112, 61.
Sorin, V., Barash, Y., Konen, E., & Klang, E. (2020). Creating Artificial Images for Radiology Applications Using Generative Adversarial Networks (GANs)–A Systematic Review. Academic Radiology.
Torres, J. (2020). Python Deep Learning, Introducción práctica con Keras y TensorFlow 2. alphaeditorial.
Xu, L., Ren, J. S., Liu, C., & Jia, J. (2014). Deep convolutional neural network for image deconvolution. In Advances in neural information processing systems (pp. 1790-1798).
Yang, G., Yu, S., Dong, H., Slabaugh, G., Dragotti, P. L., Ye, X., ... & Firmin, D. (2017). DAGAN: Deep de-aliasing generative adversarial networks for fast compressed sensing MRI reconstruction. IEEE transactions on medical imaging, 37(6), 1310-1321.
Yi, X., Walia, E., & Babyn, P. (2019). Generative adversarial network in medical imaging: A review. Medical image analysis, 58, 101552.
Zhao, X., Liu, L., Qi, S., Teng, Y., Li, J., & Qian, W. (2018). Agile convolutional neural network for pulmonary nodule classification using CT images. International journal of computer assisted radiology and surgery, 13(4), 585-595.
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/123456789/3155
identifier_str_mv Azuar Alonso, D. (2019). Transformación de emociones mediante redes generativas antagónicas.
Almeida Lucas, E. (2019). Pronóstico de energía eólica para horizontes temporales de corto plazo en base a modelo numérico de mesoescala y redes neuronales artificiales.
Bilkis, M. (2018). Entropía condicional y correlaciones cuánticas (Doctoral dissertation, Universidad Nacional de La Plata).
Bogotá, C. D. C. (2012). Ley 1581 de 2012.
Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative adversarial networks: An overview. IEEE Signal Processing Magazine.
Condicional, C. I. D. L. P., & Independencia, E. (2005). Razonamiento sobre probabilidad condicional e implicaciones para la enseñanza de la estadística. Epsilon, 59, 245-260.
Choi, E., Biswal, S., Malin, B., Duke, J., Stewart, W. F., & Sun, J. (2017). Generating multi-label discrete patient records using generative adversarial networks. arXiv preprint arXiv:1703.06490.
Colombia, L. E. 1581 de 2012, por la cual se dictan disposiciones generales para la protección de datos personales, 48.587 Diario Oficial, 18 de octubre de 2012.
Chuquicusma, M. J., Hussein, S., Burt, J., & Bagci, U. (2018, April). How to fool radiologists with generative adversarial networks? a visual Turing test for lung cancer diagnosis. In 2018 IEEE 15th international symposium on biomedical imaging (ISBI 2018) (pp. 240-244). IEEE.
Chi, C., Du, Y., Ye, J., Kou, D., Qiu, J., Wang, J., ... & Chen, X. (2014). Intraoperative imaging-guided cancer surgery: from current fluorescence molecular imaging methods to future multi-modality imaging technology. Theranostics, 4(11), 1072
Denton, E. L., Chintala, S., & Fergus, R. (2015). Deep generative image models using a laplacian pyramid of adversarial networks. In Advances in neural information processing systems (pp. 1486-1494).
Dumoulin, V., & Visin, F. (2016). A guide to convolution arithmetic for deep learning. arXiv preprint arXiv:1603.07285.
Durugkar, I., Gemp, I., & Mahadevan, S. (2016). Generative multi-adversarial networks. arXiv preprint arXiv:1611.01673.
Fernández Blanco, R. (2019). Deep Learning para la generación de imágenes histopatológicas realistas mediante aritmética de vectores conceptuales.
Frid-Adar, M., Diamant, I., Klang, E., Amitai, M., Goldberger, J., & Greenspan, H. (2018). GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification. Neurocomputing, 321, 321-331.
Franco, E. F., & Ramos, R. J. (2019). Aprendizaje de máquina y aprendizaje profundo en biotecnología: aplicaciones, impactos y desafíos. Ciencia, Ambiente y Clima, 2(2), 7-26.
González-Islas, J. C. (2019). Aprendizaje Automático en Aplicaciones Fisioterapéuticas. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 7(Especial), 104-110.
Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative Adversarial Networks. jun 2014a. URL http://arxiv. org/abs/1406.2661.
GAN’S. (2018). GitHub. https://github.com/hindupuravinash/the-gan-zoo/blob/master/gans.tsv
Grau Romero, M. (2020). Clasificador de modelos de movilidad mediante Deep Learning.
Gadermayr, M., Li, K., Müller, M., Truhn, D., Krämer, N., Merhof, D., & Gess, B. (2019). Domain‐specific data augmentation for segmenting MR images of fatty infiltrated human thighs with neural networks. Journal of Magnetic Resonance Imaging, 49(6), 1676-1683.
IBM. (2020). Inteligencia artificial. https://www.ibm.com/ar-es/analytics/machine-learning?p1=Search&p4=43700053692634426&p5=b&cm_mmc=Search_Google-_-1S_1S-_-LA_ISA-_-datos%20%2Bmachine%20%2Blearning_b&cm_mmca7=71700000065289299&cm_mmca8=kwd-1097762210552&cm_mmca9=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&cm_mmca10=451404725204&cm_mmca11=b&gclid=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&gclsrc=aw.ds. https://www.ibm.com/ar-es/analytics/machine-learning?p1=Search&p4=43700053692634426&p5=b&cm_mmc=Search_Google-_-1S_1S-_-LA_ISA-_-datos%20%2Bmachine%20%2Blearning_b&cm_mmca7=71700000065289299&cm_mmca8=kwd-1097762210552&cm_mmca9=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&cm_mmca10=451404725204&cm_mmca11=b&gclid=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&gclsrc=aw.ds
Irala, J., Martínez-González, M. Á., & Grima, F. G. (2001). ¿ Qué es una variable de confusión?. Medicina clínica, 117(10), 377-385.
Li, R., Zhang, W., Suk, H. I., Wang, L., Li, J., Shen, D., & Ji, S. (2014, September). Deep learning based imaging data completion for improved brain disease diagnosis. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 305-312). Springer, Cham.
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60-88.
Miyato, T., Kataoka, T., Koyama, M., & Yoshida, Y. (2018). Spectral normalization for generative adversarial networks. arXiv preprint arXiv:1802.05957.
Mantilla Mendez, A., & Vega Arango, J. S. (2011). Magi: Sistema Basado En Técnicas De Inteligencia Artificial Y De Tratamiento Digital De Imágenes Para La Detección De Tumores Cerebrales (Doctoral dissertation, Universidad Industrial de Santander, Escuela De Ing. De Sistemas).
Onishi, Y., Teramoto, A., Tsujimoto, M., Tsukamoto, T., Saito, K., Toyama, H., ... & Fujita, H. (2019). Automated pulmonary nodule classification in computed tomography images using a deep convolutional neural network trained by generative adversarial networks. BioMed research international, 2019.
Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:1511.06434.
Russ, T., Goerttler, S., Schnurr, A. K., Bauer, D. F., Hatamikia, S., Schad, L. R., ... & Chung, K. (2019). Synthesis of CT images from digital body phantoms using CycleGAN. International Journal of Computer Assisted Radiology and Surgery, 14(10), 1741-1750.
Rudas, J., & Sánchez Torres, G. (2013). Detección de patologías derivadas de las afecciones diabéticas: una revisión del análisis digital de imágenes de retina. Revista Científica Ingeniería y Desarrollo, 31(2), 316-338.
Sandoval, T. C. N., Pérez, S. V. G., González, F. A., Jaque, R. A., & Infante, C. (2016). Uso de redes neuronales artificiales en predicción de morfología mandibular a través de variables craneomaxilares en una vista posteroanterior/Use of Artificial Neural Networks for Mandibular Morphology Prediction through Craniomaxillar Variables... Universitas Odontológica, 35(74), 21-28.
Silva, G., Oliveira, L., & Pithon, M. (2018). Corrigendum to" Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives"[Expert Systems with Applications, Vol. 107 (2018) 15-31]. Expert Syst. Appl., 112, 61.
Sorin, V., Barash, Y., Konen, E., & Klang, E. (2020). Creating Artificial Images for Radiology Applications Using Generative Adversarial Networks (GANs)–A Systematic Review. Academic Radiology.
Torres, J. (2020). Python Deep Learning, Introducción práctica con Keras y TensorFlow 2. alphaeditorial.
Xu, L., Ren, J. S., Liu, C., & Jia, J. (2014). Deep convolutional neural network for image deconvolution. In Advances in neural information processing systems (pp. 1790-1798).
Yang, G., Yu, S., Dong, H., Slabaugh, G., Dragotti, P. L., Ye, X., ... & Firmin, D. (2017). DAGAN: Deep de-aliasing generative adversarial networks for fast compressed sensing MRI reconstruction. IEEE transactions on medical imaging, 37(6), 1310-1321.
Yi, X., Walia, E., & Babyn, P. (2019). Generative adversarial network in medical imaging: A review. Medical image analysis, 58, 101552.
Zhao, X., Liu, L., Qi, S., Teng, Y., Li, J., & Qian, W. (2018). Agile convolutional neural network for pulmonary nodule classification using CT images. International journal of computer assisted radiology and surgery, 13(4), 585-595.
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 4.0 International (CC BY 4.0)
dc.rights.uri.spa.fl_str_mv https://creativecommons.org/licenses/by/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 4.0 International (CC BY 4.0)
Acceso abierto
https://creativecommons.org/licenses/by/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 Electrónica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería Mecánica, Electrónica y Biomédica
dc.publisher.campus.spa.fl_str_mv Neiva Buganviles
institution Universidad Antonio Nariño
bitstream.url.fl_str_mv https://repositorio.uan.edu.co/bitstreams/50c8d32d-2ece-4b77-b807-16a26293e0d2/download
https://repositorio.uan.edu.co/bitstreams/41ba613a-729f-4159-a7c3-8ac9f5c3790b/download
https://repositorio.uan.edu.co/bitstreams/136cb8b1-bbbe-47aa-9783-597e42c89b24/download
https://repositorio.uan.edu.co/bitstreams/1d652faa-5f6e-494e-9c56-1ac5eaa90c7b/download
https://repositorio.uan.edu.co/bitstreams/e3543453-a89f-481b-9ec1-09c81a4c2e7b/download
bitstream.checksum.fl_str_mv 2b2ab6ec8a6a222739b9c0e57c635c2e
2e388663398085f69421c9e4c5fcf235
e97da0000ab58dfaab858ed65af21489
558983da85cbdecb4fa8d294a0430bf2
8d252e26544f8588bcac162308b29ee6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UAN
repository.mail.fl_str_mv alertas.repositorio@uan.edu.co
_version_ 1812928304453255168
spelling Attribution 4.0 International (CC BY 4.0)Acceso abiertohttps://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Duarte González, Mario EnriqueVivas Gasca, María CamilaCediel Sánchez, Erlyn Julián1080297940111752893710207137562021-03-10T20:13:50Z2021-03-10T20:13:50Z2020-11-27http://repositorio.uan.edu.co/handle/123456789/3155Azuar Alonso, D. (2019). Transformación de emociones mediante redes generativas antagónicas.Almeida Lucas, E. (2019). Pronóstico de energía eólica para horizontes temporales de corto plazo en base a modelo numérico de mesoescala y redes neuronales artificiales.Bilkis, M. (2018). Entropía condicional y correlaciones cuánticas (Doctoral dissertation, Universidad Nacional de La Plata).Bogotá, C. D. C. (2012). Ley 1581 de 2012.Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative adversarial networks: An overview. IEEE Signal Processing Magazine.Condicional, C. I. D. L. P., & Independencia, E. (2005). Razonamiento sobre probabilidad condicional e implicaciones para la enseñanza de la estadística. Epsilon, 59, 245-260.Choi, E., Biswal, S., Malin, B., Duke, J., Stewart, W. F., & Sun, J. (2017). Generating multi-label discrete patient records using generative adversarial networks. arXiv preprint arXiv:1703.06490.Colombia, L. E. 1581 de 2012, por la cual se dictan disposiciones generales para la protección de datos personales, 48.587 Diario Oficial, 18 de octubre de 2012.Chuquicusma, M. J., Hussein, S., Burt, J., & Bagci, U. (2018, April). How to fool radiologists with generative adversarial networks? a visual Turing test for lung cancer diagnosis. In 2018 IEEE 15th international symposium on biomedical imaging (ISBI 2018) (pp. 240-244). IEEE.Chi, C., Du, Y., Ye, J., Kou, D., Qiu, J., Wang, J., ... & Chen, X. (2014). Intraoperative imaging-guided cancer surgery: from current fluorescence molecular imaging methods to future multi-modality imaging technology. Theranostics, 4(11), 1072Denton, E. L., Chintala, S., & Fergus, R. (2015). Deep generative image models using a laplacian pyramid of adversarial networks. In Advances in neural information processing systems (pp. 1486-1494).Dumoulin, V., & Visin, F. (2016). A guide to convolution arithmetic for deep learning. arXiv preprint arXiv:1603.07285.Durugkar, I., Gemp, I., & Mahadevan, S. (2016). Generative multi-adversarial networks. arXiv preprint arXiv:1611.01673.Fernández Blanco, R. (2019). Deep Learning para la generación de imágenes histopatológicas realistas mediante aritmética de vectores conceptuales.Frid-Adar, M., Diamant, I., Klang, E., Amitai, M., Goldberger, J., & Greenspan, H. (2018). GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification. Neurocomputing, 321, 321-331.Franco, E. F., & Ramos, R. J. (2019). Aprendizaje de máquina y aprendizaje profundo en biotecnología: aplicaciones, impactos y desafíos. Ciencia, Ambiente y Clima, 2(2), 7-26.González-Islas, J. C. (2019). Aprendizaje Automático en Aplicaciones Fisioterapéuticas. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 7(Especial), 104-110.Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative Adversarial Networks. jun 2014a. URL http://arxiv. org/abs/1406.2661.GAN’S. (2018). GitHub. https://github.com/hindupuravinash/the-gan-zoo/blob/master/gans.tsvGrau Romero, M. (2020). Clasificador de modelos de movilidad mediante Deep Learning.Gadermayr, M., Li, K., Müller, M., Truhn, D., Krämer, N., Merhof, D., & Gess, B. (2019). Domain‐specific data augmentation for segmenting MR images of fatty infiltrated human thighs with neural networks. Journal of Magnetic Resonance Imaging, 49(6), 1676-1683.IBM. (2020). Inteligencia artificial. https://www.ibm.com/ar-es/analytics/machine-learning?p1=Search&p4=43700053692634426&p5=b&cm_mmc=Search_Google-_-1S_1S-_-LA_ISA-_-datos%20%2Bmachine%20%2Blearning_b&cm_mmca7=71700000065289299&cm_mmca8=kwd-1097762210552&cm_mmca9=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&cm_mmca10=451404725204&cm_mmca11=b&gclid=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&gclsrc=aw.ds. https://www.ibm.com/ar-es/analytics/machine-learning?p1=Search&p4=43700053692634426&p5=b&cm_mmc=Search_Google-_-1S_1S-_-LA_ISA-_-datos%20%2Bmachine%20%2Blearning_b&cm_mmca7=71700000065289299&cm_mmca8=kwd-1097762210552&cm_mmca9=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&cm_mmca10=451404725204&cm_mmca11=b&gclid=CjwKCAjwrKr8BRB_EiwA7eFapopIBXhOjyB0gi1Tzdft5sS0nEeMRpTLXrAMBd6Ka1ermUjkH5SqVxoCSLgQAvD_BwE&gclsrc=aw.dsIrala, J., Martínez-González, M. Á., & Grima, F. G. (2001). ¿ Qué es una variable de confusión?. Medicina clínica, 117(10), 377-385.Li, R., Zhang, W., Suk, H. I., Wang, L., Li, J., Shen, D., & Ji, S. (2014, September). Deep learning based imaging data completion for improved brain disease diagnosis. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 305-312). Springer, Cham.Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60-88.Miyato, T., Kataoka, T., Koyama, M., & Yoshida, Y. (2018). Spectral normalization for generative adversarial networks. arXiv preprint arXiv:1802.05957.Mantilla Mendez, A., & Vega Arango, J. S. (2011). Magi: Sistema Basado En Técnicas De Inteligencia Artificial Y De Tratamiento Digital De Imágenes Para La Detección De Tumores Cerebrales (Doctoral dissertation, Universidad Industrial de Santander, Escuela De Ing. De Sistemas).Onishi, Y., Teramoto, A., Tsujimoto, M., Tsukamoto, T., Saito, K., Toyama, H., ... & Fujita, H. (2019). Automated pulmonary nodule classification in computed tomography images using a deep convolutional neural network trained by generative adversarial networks. BioMed research international, 2019.Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:1511.06434.Russ, T., Goerttler, S., Schnurr, A. K., Bauer, D. F., Hatamikia, S., Schad, L. R., ... & Chung, K. (2019). Synthesis of CT images from digital body phantoms using CycleGAN. International Journal of Computer Assisted Radiology and Surgery, 14(10), 1741-1750.Rudas, J., & Sánchez Torres, G. (2013). Detección de patologías derivadas de las afecciones diabéticas: una revisión del análisis digital de imágenes de retina. Revista Científica Ingeniería y Desarrollo, 31(2), 316-338.Sandoval, T. C. N., Pérez, S. V. G., González, F. A., Jaque, R. A., & Infante, C. (2016). Uso de redes neuronales artificiales en predicción de morfología mandibular a través de variables craneomaxilares en una vista posteroanterior/Use of Artificial Neural Networks for Mandibular Morphology Prediction through Craniomaxillar Variables... Universitas Odontológica, 35(74), 21-28.Silva, G., Oliveira, L., & Pithon, M. (2018). Corrigendum to" Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives"[Expert Systems with Applications, Vol. 107 (2018) 15-31]. Expert Syst. Appl., 112, 61.Sorin, V., Barash, Y., Konen, E., & Klang, E. (2020). Creating Artificial Images for Radiology Applications Using Generative Adversarial Networks (GANs)–A Systematic Review. Academic Radiology.Torres, J. (2020). Python Deep Learning, Introducción práctica con Keras y TensorFlow 2. alphaeditorial.Xu, L., Ren, J. S., Liu, C., & Jia, J. (2014). Deep convolutional neural network for image deconvolution. In Advances in neural information processing systems (pp. 1790-1798).Yang, G., Yu, S., Dong, H., Slabaugh, G., Dragotti, P. L., Ye, X., ... & Firmin, D. (2017). DAGAN: Deep de-aliasing generative adversarial networks for fast compressed sensing MRI reconstruction. IEEE transactions on medical imaging, 37(6), 1310-1321.Yi, X., Walia, E., & Babyn, P. (2019). Generative adversarial network in medical imaging: A review. Medical image analysis, 58, 101552.Zhao, X., Liu, L., Qi, S., Teng, Y., Li, J., & Qian, W. (2018). Agile convolutional neural network for pulmonary nodule classification using CT images. International journal of computer assisted radiology and surgery, 13(4), 585-595.instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/PropiaFrom engineering, different technological tools have been proposed to support the exercise of health professionals, in such developments large volumes of medical information are analyzed and processed with which the populations that are intended to be beneficiaries are characterized. However, to access a person's medical record data, it is necessary to have their permission, as it is private and confidential information, so obtaining several miles of data can become tedious, delay the investigative process or limit the results. Such is the case of several projects that have been developed in the area of Dentistry, particularly work related to the use of digital image processing algorithms and artificial intelligence techniques, in which the authors raise the need to access banks more images to improve the performance of your solutions. An alternative is the creation of realistic synthetic images through digital editing and recently through the implementation of antagonistic generative neural networks. For this reason, in this document, the performance of an Antagonic Generative Neural Network is evaluated in the generation of an image bank of panoramic human dental radiographs from 300 real images, which verified the quality of the images generated by the algorithm of machine learning through a survey that was carried out to dental health professionals and people who do not know whatsoever on the subject,Desde la ingeniería se han planteado diferentes herramientas tecnológicas para apoyar el ejercicio de los profesionales de la salud, en tales desarrollos se analizan y procesan grandes volúmenes de información médica con la que se caracterizan las poblaciones que se pretenden beneficiar. Sin embargo, para acceder a los datos de registros médicos de una persona es necesario tener su permiso, pues es información privada y confidencial, por lo que la consecución de varios miles de datos puede tornarse tediosa, demorar el proceso investigativo o limitar los resultados. Tal es el caso de varios proyectos que se han desarrollado en el área de Odontología, en particular los trabajos relacionados con el uso de algoritmos de procesamiento digital de imágenes y técnicas de inteligencia artificial, en los que los autores plantean la necesidad de acceder a bancos de imágenes más numerosos para mejorar el rendimiento de sus soluciones. Una alternativa es la creación de imágenes sintéticas realistas por medio de la edición digital y recientemente a través de la implementación de redes neuronales generativas antagónicas. Por tal motivo, en este documento, se evalúa el rendimiento de una Red Neuronal Generativa Antagónica en la generación de un banco de imágenes de radiografías panorámicas dentales humanas a partir de 300 imágenes reales, verificando la calidad de las imágenes generadas del algoritmo de aprendizaje automático por medio de una encuesta que se les realizó a profesionales de la salud dental y personas que no tienen conocimiento alguno sobre el tema;OtroIngeniero(a) Electrónico(a)PregradoLos recursos de financiación fueron: Estudiantes $ 8.261.680 COP UAN Por concepto de Asesoría docente trabajo de grado $ 679.175 COPPresencialspaUniversidad Antonio NariñoIngeniería ElectrónicaFacultad de Ingeniería Mecánica, Electrónica y BiomédicaNeiva BuganvilesGANRadiografías Panorámicas DentalesBanco de ImágenesGANPanoramic Dental RadiographsImage BankEvaluación del rendimiento de una Red Neuronal Generativa Antagónica en la Generación de un banco de imágenes de radiografías panorámicas dentales humanasTrabajo de grado (Pregrado y/o Especialización)http://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repositorio.uan.edu.co/bitstreams/50c8d32d-2ece-4b77-b807-16a26293e0d2/download2b2ab6ec8a6a222739b9c0e57c635c2eMD516LICENSElicense.txtlicense.txttext/plain; charset=utf-82710https://repositorio.uan.edu.co/bitstreams/41ba613a-729f-4159-a7c3-8ac9f5c3790b/download2e388663398085f69421c9e4c5fcf235MD517ORIGINAL2020_ MaríaCamilaVivasGasca_Autorización2020_ MaríaCamilaVivasGasca_AutorizaciónAutorización de Autoresapplication/pdf597158https://repositorio.uan.edu.co/bitstreams/136cb8b1-bbbe-47aa-9783-597e42c89b24/downloade97da0000ab58dfaab858ed65af21489MD582020_ ErlynJuliánCedielSánchez_ Autorización2020_ ErlynJuliánCedielSánchez_ AutorizaciónAutorización de Autoresapplication/pdf835281https://repositorio.uan.edu.co/bitstreams/1d652faa-5f6e-494e-9c56-1ac5eaa90c7b/download558983da85cbdecb4fa8d294a0430bf2MD592020_MaríaCamilaVivasGasca2020_MaríaCamilaVivasGascaTrabajo de Gradoapplication/pdf1857568https://repositorio.uan.edu.co/bitstreams/e3543453-a89f-481b-9ec1-09c81a4c2e7b/download8d252e26544f8588bcac162308b29ee6MD515123456789/3155oai:repositorio.uan.edu.co:123456789/31552024-10-09 22:39:02.055https://creativecommons.org/licenses/by/4.0/Acceso abiertorestrictedhttps://repositorio.uan.edu.coRepositorio Institucional UANalertas.repositorio@uan.edu.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

Publicaciones similares