Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning
Los cálculos renales, o también conocidos como litiasis renal, están en la posición número 10 de enfermedades más buscadas y consultadas a los profesionales de la salud en Colombia (Pico, 2019). El problema tratado en este proyecto es la brecha de confiabilidad existente entre una imagen capturada p...
- Autores:
-
Güiza Ortiz, María Camila
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/12742
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/12742
- Palabra clave:
- Systems engineer
Technological innovations
Kidney stones
Nephrolithiasis
Urinary system
Deep learning
Urinary stones
Artificial intelligence
Simulation by digital computers
Ingeniería de sistemas
Innovaciones tecnológicas
Cálculos urinarios
Inteligencia artificial
Simulación por computadores digitales
Cálculos renales
Litiasis renal
Aparato urinario
Deep learning
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_35c9e16ee316acf95ea321e75dc82f52 |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/12742 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning |
| dc.title.translated.spa.fl_str_mv |
Renal lithiasis recognition system through diagnostic images based on deep learning |
| title |
Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning |
| spellingShingle |
Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning Systems engineer Technological innovations Kidney stones Nephrolithiasis Urinary system Deep learning Urinary stones Artificial intelligence Simulation by digital computers Ingeniería de sistemas Innovaciones tecnológicas Cálculos urinarios Inteligencia artificial Simulación por computadores digitales Cálculos renales Litiasis renal Aparato urinario Deep learning |
| title_short |
Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning |
| title_full |
Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning |
| title_fullStr |
Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning |
| title_full_unstemmed |
Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning |
| title_sort |
Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning |
| dc.creator.fl_str_mv |
Güiza Ortiz, María Camila |
| dc.contributor.advisor.spa.fl_str_mv |
Ortiz Cuadros, José David Ortiz Beltrán, Ariel |
| dc.contributor.author.spa.fl_str_mv |
Güiza Ortiz, María Camila |
| dc.contributor.cvlac.*.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000062739 |
| dc.contributor.orcid.*.fl_str_mv |
https://orcid.org/0000-0002-2347-6584 |
| dc.subject.keywords.eng.fl_str_mv |
Systems engineer Technological innovations Kidney stones Nephrolithiasis Urinary system Deep learning Urinary stones Artificial intelligence Simulation by digital computers |
| topic |
Systems engineer Technological innovations Kidney stones Nephrolithiasis Urinary system Deep learning Urinary stones Artificial intelligence Simulation by digital computers Ingeniería de sistemas Innovaciones tecnológicas Cálculos urinarios Inteligencia artificial Simulación por computadores digitales Cálculos renales Litiasis renal Aparato urinario Deep learning |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería de sistemas Innovaciones tecnológicas Cálculos urinarios Inteligencia artificial Simulación por computadores digitales |
| dc.subject.proposal.spa.fl_str_mv |
Cálculos renales Litiasis renal Aparato urinario Deep learning |
| description |
Los cálculos renales, o también conocidos como litiasis renal, están en la posición número 10 de enfermedades más buscadas y consultadas a los profesionales de la salud en Colombia (Pico, 2019). El problema tratado en este proyecto es la brecha de confiabilidad existente entre una imagen capturada por ultrasonido y una capturada por Tomografía Computarizada (TC) para la detección de litiasis renal. La captura de datos por TC en principio se considera más efectiva, pero tiene un costo mayor y es invasiva para el paciente; por otra parte, las imágenes capturadas por ecografía se pueden conseguir a menor costo, pero dependen en gran medida de la habilidad y experticia del profesional que las captura. Tomando en cuenta lo anterior, si se diseña un procedimiento que disminuya el ruido de la imagen y asista a los especialistas médicos en el proceso de detección, se podrán reducir los costos relacionados al diagnóstico y de esta manera, aumentar la precisión del mismo sin la necesidad de uso de equipos adicionales ni capacitación adicional para los profesionales; por esto, la posibilidad de tener un sistema que permita la detección de cálculos o litiasis renales a través de ecografías implicaría un avance importante en este campo y un apoyo para los especialistas radiólogos, ya que, con el procedimiento estándar utilizado actualmente (TC), generan un mayor costo y deben lidiar con los riesgos de la invasión al cuerpo humano en el momento del estudio. |
| publishDate |
2020 |
| dc.date.issued.none.fl_str_mv |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2021-03-26T11:48:46Z |
| dc.date.available.none.fl_str_mv |
2021-03-26T11:48:46Z |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/12742 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/12742 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
A. Sevik. P. Erdogmus and E. Yalein. (2018). Font and Turkish Letter Recognition in Images with Deep Learning. ANKARA, Turkey: IEEE Ahmed Hosny, C. P., Quackenbush, J., Schwartz, L. H., & Aerts, H. J. (2018). Artificial intelligence in radiology Akkasaligar & Biradar, P. T. (2016). Diagnosis of renal calculus disease in medical ultrasound images. Chennai, India Arias, J. M. (2019). Modelo de aprendizaje profundo / red neuronal convolucional (CNN) para clasificación de calidad de ácidos grasos por imágenes de semillas de Helianthus annuus. Azhar et al, K. A. (2016). Computer vision based detection and localization of potholes in asphalt pavement images. Vancouver, Canada: IEEE Bejaimal & Bejaimal, S. B. (2017). Magnetic resonance enterography performs well in detecting active inflammation in pediatric inflammatory bowel disease. BUSTAMANTE, S.-H. Y. (2014). ALGORITMOS DE PROCESAMIENTO DE IMAGEN APLICADOS A LA DETECCIÓN DE FIGURAS GEOMÉTRICAS Y SUS PROPIEDADES ESPACIALES Colombia, C. d. (2020). Ley 2015 del 31 de enero de 2020. DÅDERMAN, A., & ROSANDER, S. (2018). Evaluating Frameworks for Implementing Machine Learning in Signal Processing. STOCKHOLM, SVERIGE Diaz & Suárez, H. R. (2017). Ecografía clínica. Nuevas concepciones sobre una disciplina clásica en. Villa Clara. Cuba Dutta & Dubey, A. D. (2019). Detection of Liver Cancer using Image Processing Techniques. Chennai, India Farrera, M. S., & Acebes, A. d. (2015). Litiasis renal Fawzi, A., Samulowitz, H., Turaga, D., & Frossard, P. (2016). Adaptive data augmentation for image classification. Phoenix, AZ, USA Gamboa-Gutiérrez, E., Varela-Villalobos, M., & Varela-Briceño, C. (2020). Litiasis renal en Costa Rica: bioquímica y epidemiología. San José, Costa Rica. García, R. G. (2015). Estudio comporativo de efectividad sedativa con propofol vs midazolam-fentanyl en pacientes sometidos a tomografía axial computarizada (TAC) de emergencia en el Hospital Luis Vernaza periodo 2013 Gollapudi, S. (2019). Learn Computer Vision Using OpenCV With Deep Learning CNNs and RNNs. Hyderabad, Telangana, India Goularas & Kamis, D. G. (2019). Evaluation of Deep Learning Techniques in. Istanbul, Turkey: IEEE Graffigna et al, M. G. (2017). Diagnóstico de esteatosis hepática por métodos clínicos, bioquímicos y por imágenes. Argentina: ScienceDirect. Gutiérrez et al, J. S. (2016). SÚPER RESOLUCIÓN Y MEJORA DEL ALGORITMO CANNY PARA LA DETECCIÓN DE BORDES EN IMÁGENES MÉDICAS ITELLIGENT. (3 de enero de 2018). ITELLIGENT. Obtenido de https://itelligent.es/es/deep-learning-convolutional-neuronal-network-cnnconsiste/ Kim & Ro, J. U. (2019). Attentive Layer Separation for Object Classification and Object Localization in Object Detection. Taipei, Taiwan Koplay et al, M. S. (2015). Importance of imaging and recent developments in diagnosis of nonalcoholic fatty liver disease. World journal of hepatology, 7(5), 769–776. doi:10.4254/wjh.v7.i5.769. Konya, Turquía. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. LeCun. Bengio & Hinton. (2015). Deep learning Lemley, J., Bazrafkan, S., & Corcoran, P. (2017). Deep Learning for Consumer Devices and Services Li et al, D. L.-I. (2019). Soft Phantom for the Training of Renal Calculi Diagnostics and Lithotripsy. Berlin, Germany Lu, H., Li, Y., Chen, M., Kim, H., & Serikawa, S. (2017). Brain Intelligence: Go beyond Artificial Intelligence. Mangayarkarasi &Najumnissa, T. M. (2017). PNN-based analysis system to classify renal pathologies in Kidney Ultrasound Images. Chennai, India. McAninch & Lue, J. W. (2020). Smith & Tanagho's General Urology. Mello Legal & Vázquez, M. R. (2015). Mejora de contraste de imagen a color utilizando la transformada de top-hat multiescala. San Lorenzo, Paraguay. MINSALUD. (2018). Estimación de oferta de médicos especialistas en Colombia 1950-2030. Bogotá, Colombia MinTIC. (22 de mayo de 2019). MinTIC. Obtenido de https://www.mintic.gov.co/portal/inicio/Sala-de-Prensa/MinTIC-en-los Medios/100826:Colombia-se-adhiere-a-acuerdo-de-Inteligencia-Artificialante-la-OCDE MUNDIAL, A. G. (2000). DECLARACIÓN DE HELSINKI: PRINCIPIOS ÉTICOS PARA LA INVESTIGACIÓN MÉDICA SOBRE SUJETOS HUMANOS Na8. (29 de noviembre de 2018). https://www.aprendemachinelearning.com. Obtenido de https://www.aprendemachinelearning.com/como-funcionan-lasconvolutional-neural-networks-vision-por-ordenador Nieto, V. M., & Yanes, M. I. (2019). Nefrología. Palacios, H. J., Pantoja, G. A., Navarro, A. A., Puetaman, I. M., & Toledo, R. A. (2016). Comparativa entre CRISP-DM y SEMMA para la limpieza de datos en productos MODIS en un estudio de cambio de cobertura y uso del suelo. Pico, L. M. (11 de abril de 2019). Este es el escalafón de enfermedades más buscadas en Colombia. Lafm Poggio et al, G. P. (2017). La ecografía primero: ¿Por qué, cómo y cuándo? La Plata, Argentina Portillo, C. O. (2016). Selección y adecuación de la imagen para productos editoriales Quintero et al, C. Q.-G. (2017). Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo. ESTEC Conference Proceedings 6th Engineering, Science and Technology Conference (2017). Knowledge E. Engaging minds Raghunandan et al, A. R. (2018). Object Detection Algorithms for Video Surveillance Applications. Chennai, India. Ranjitha, M. (2016). Extraction and dimensionality reduction of features for Renal Calculi detection and artifact differentiation from segmented ultrasound kidney images. New Delhi, India. Rozman, F. (2016). Medicina Interna. Elsevier, España Salud, M. d. (1999). Resolución 1995 de 1999. Schäfer, F., Zeiselmair, C., Becker, J., & Otten, H. (2018). Synthesizing CRISP-DM and Quality Management: A Data Mining Approach for Production Processes. Marrakech, Morocco, Morocco Shah & Kadge, T. S. (2019). Analysis and Identification of Renal Calculi in Computed Tomography Images. Navi Mumbai, India Shao Zhu & Li, L. S. (2014). Transfer Learning for Visual Categorization: A Survey Sharma, K., & Nandal, D. R. (2019). A Literature Study on Machine Learning Fusion. Rohtak, Haryana, India Snopek, K. M. (2017). Relationship between the cayley-dickson fourier transform and the hartley transform of multidimensional real signals. Barcelona, Spain Social, M. d. (2017). Resolución Nº 839 de 23 de marzo de 2017 Stevens, E., & Antiga, L. (2019). Deep Learning with PyTorch. Supriyanti et al, R. S. (2016). Brightness and Contrast Modification in Ultrasonography Images Using Edge Detection Results. Velásquez, A. R. (1999). Procesamiento de imágenes médicas Weiss. Khoshgodtaar & Wang, K. W. (2016). A survey of transfer learning. SpringerOpen. X. Li and Y. Shi. (2018). Computer Vision Imaging Based on Artificial Intelligence. Changsha, China: IEEE Zabala Rivera & Maldonado, S. A. (2009). Metodología para la implementación de un sistema de reconocimiento de objetos mediante técnicas de visión artificial aplicado a manipuladores robóticos. Akbulut, Y., Sengur, A., Guo, Y., & Smarandache, F. (2017). NS-k-NN: Neutrosophic Set-Based k-Nearest Neighbors Classifier aws. (2020). https://aws.amazon.com/. Obtenido de https://aws.amazon.com/es/mxnet Battineni, G., Chintalapudi, N., & Amenta, F. (2019). Machine learning in medicine: Performance calculation of dementia prediction by support vector machines (SVM) Budhiraja, A. (15 de diciembre de 2016). Medium. Obtenido de https://medium.com/@amarbudhiraja/https-medium-com-amarbudhirajalearning-less-to-learn-better-dropout-in-deep-machine-learning74334da4bfc5 Chillón, F. R. (19 de agosto de 2020). Clínica Universidad de Navarra. Obtenido de https://www.cun.es/enfermedades-tratamientos/enfermedades/litiasis-renal Cuevas, E., & Reyna-Orta, A. (2014). A Cuckoo Search Algorithm for Multimodal Optimization. Espejel, O. (2020). Entendiendo PyTorch: las bases de las bases para hacer inteligencia artificial. Fan, Q., Brown, L., & Smith, J. (2016). A Closer Look at Faster R-CNN for Vehicle Detection Girshick, R. (2015). Fast R-CNN Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning Huang, G., Liu, Z., Weinberger, K. Q., & Maaten, L. v. (2016). Densely Connected Convolutional Networks imagingbiometrics. (2017). imagingbiometrics. Obtenido de https://www.imagingbiometrics.com/what-we-offer/product-services/ibstonechecker Index, P. P. (septiembre de 2020). https://pypi.org/. Obtenido de https://pypi.org/project/Theano infosalus. (06 de octubre de 2014). infosalus. Obtenido de https://www.infosalus.com/asistencia/noticia-realizan-programa-informaticomejorar-diagnostico-pacientes-calculos-renales-20140402124529.html Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., . . . Darrell, T. (2014). Caffe: Convolutional Architecture for Fast Feature Embedding LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Leslie, S. W., Sajjad, H., & Murphy, P. B. (2020). Renal Calculi. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. Málaga, U. d. (1 de septiembre de 2020). Urólogos de Málaga. Obtenido de https://www.urologosmalaga.com/tratamientos/litiasis-calculos/4-1-litiasiscalculos-evaluacion-y-diagnostico/ MathWorks. (24 de agosto de 2020). GoogLeNet convolutional neural network. Obtenido de MathWorks: https://www.mathworks.com/help/deeplearning/ref/googlenet.html MayoClinic. (8 de febrero de 2019). MayoClinic. Obtenido de https://www.mayoclinic.org/es-es/diseases-conditions/kidneystones/diagnosis-treatment/drc-20355759 missinglink.ai. (2020). missinglink.ai. Obtenido de https://missinglink.ai/guides/keras/keras-resnet-building-training-scalingresidual-netskeras/#:~:text=Residual%20Network%20(ResNet)%20is%20a,or%20thousa nds%20of%20convolutional%20layers.&text=ResNet%20stacks%20up%20i dentity%20mappings,the%20activations% Navamani, T. (2019). Efficient Deep Learning Approaches for Health Informatics. Deep Learning and Parallel Computing Environment for Bioengineering Systems Peixeiro, M. (12 de marzo de 2019). towardsdatascience. Obtenido de https://towardsdatascience.com/how-to-improve-a-neural-network-withregularization-8a18ecda9fe3 Pereira-Toledo, A., López-Cabrera, J. D., & Quintero-Domínguez, L. A. (2017). Estudio experimental para la comparación del desempeño de Naïve Bayes con otros clasificadores bayesianos PyTorch. (2020). PyTorch. Obtenido de https://pytorch.org Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection. Rizwan, M. (05 de Octubre de 2018). DataCamp. Obtenido de https://www.datacamp.com/community/news/how-to-implement-alexnet-cnnarchitecture-using-keras-7vq9ilt9qb7 Sak, H., Senior, A., & Beaufays, F. (2014). Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling. Sankesara, H. (23 de Enero de 2019). UNet, Introducing Symmetry in Segmentation. Obtenido de https://towardsdatascience.com/u-netb229b32b4a71 Shao Zhu & Li, L. S. (2014). Transfer Learning for Visual Categorization: A Survey Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Susaeta, R., Benavente, D., Marchant, F., & Gana, R. (2018). Diagnóstico y manejo de litiasis renal en adultos y niños. Santiago, Chile. Tan, L. (2015). 17.2.2.1 Supervised learning. En Code Comment Analysis for Improving Software Quality (pág. 500). Tharwat, A., Gaber, T., Ibrahim, A., & Hassanien, A. E. (2017). Linear discriminant analysis: A detailed tutorial. UAB. (30 de septiembre de 2014). UAB. Obtenido de https://www.uab.cat/web/sala-de-prensa/detalle-noticia/mystone-un-nuevodispositivo-de-analisis-rapido-de-calculos-renales1345667994339.html?noticiaid=1345676036016 Wang, L., Guo, S., Huang, W., & Qiao, Y. (2015). Places205-VGGNet Models for Scene Recognition. Hong Kong, China Wang, Z., Wang, Y., Zeng, R., Srinivasan, R. S., & Ahrentzen, S. (2018). Random Forest based Hourly Building Energy Prediction Weiss. Khoshgodtaar & Wang, K. W. (2016). A survey of transfer learning Wu, S., Li, G., Deng, L., Liu, L., Wu, D., Xie, Y., & Shi, L. (2018). L1-Norm Batch Normalization for Efficient Training of Deep Neural Networks Zeng, Y.-R., Zeng, Y., Choi, B., & Wang, L. (2017). Multifactor-Influenced Energy Consumption Forecasting Using Enhanced Back-propagation Neural Network. Zhong, Z., Jin, L., & Xie, Z. (2015). High Performance Offline Handwritten Chinese Character Recognition Using GoogLeNet and Directional Feature Maps CHILLÓN, F. R. (16 de agosto de 2020). Clínica Universidad de Navarra. Obtenido de https://www.cun.es/enfermedades-tratamientos/enfermedades/litiasisrenal |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería de Sistemas |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/12742/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/12742/1/2020_Tesis_Maria_Camila_Guiza_Ortiz.pdf https://repository.unab.edu.co/bitstream/20.500.12749/12742/2/2020_Licencia_Maria_Camila_Guiza_Ortiz.pdf https://repository.unab.edu.co/bitstream/20.500.12749/12742/4/2020_Tesis_Maria_Camila_Guiza_Ortiz.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/12742/5/2020_Licencia_Maria_Camila_Guiza_Ortiz.pdf.jpg |
| bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 5ea690af185c3d12e75b15b702aa5e1e 07788b398a5a1b05c9eb98d290ed33da 77ea737f545f7506ee558b86a8445514 2888017cc6ebdbd6198959e795cd69e8 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1814277359010840576 |
| spelling |
Ortiz Cuadros, José DavidOrtiz Beltrán, ArielGüiza Ortiz, María Camilahttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000062739https://orcid.org/0000-0002-2347-6584Colombia2021-03-26T11:48:46Z2021-03-26T11:48:46Z2020http://hdl.handle.net/20.500.12749/12742instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLos cálculos renales, o también conocidos como litiasis renal, están en la posición número 10 de enfermedades más buscadas y consultadas a los profesionales de la salud en Colombia (Pico, 2019). El problema tratado en este proyecto es la brecha de confiabilidad existente entre una imagen capturada por ultrasonido y una capturada por Tomografía Computarizada (TC) para la detección de litiasis renal. La captura de datos por TC en principio se considera más efectiva, pero tiene un costo mayor y es invasiva para el paciente; por otra parte, las imágenes capturadas por ecografía se pueden conseguir a menor costo, pero dependen en gran medida de la habilidad y experticia del profesional que las captura. Tomando en cuenta lo anterior, si se diseña un procedimiento que disminuya el ruido de la imagen y asista a los especialistas médicos en el proceso de detección, se podrán reducir los costos relacionados al diagnóstico y de esta manera, aumentar la precisión del mismo sin la necesidad de uso de equipos adicionales ni capacitación adicional para los profesionales; por esto, la posibilidad de tener un sistema que permita la detección de cálculos o litiasis renales a través de ecografías implicaría un avance importante en este campo y un apoyo para los especialistas radiólogos, ya que, con el procedimiento estándar utilizado actualmente (TC), generan un mayor costo y deben lidiar con los riesgos de la invasión al cuerpo humano en el momento del estudio.1. PLANTEAMIENTO DEL PROBLEMA, JUSTIFICACIÓN, PREGUNTA DE INVESTIGACIÓN E HIPÓTESIS. ........................................................................................................ 10 1.1 Justificación ................................................................................................................................... 11 1.2 Pregunta de investigación .......................................................................................................... 12 2. OBJETIVOS ................................................................................................................................... 13 2.1 Objetivo general ............................................................................................................................ 13 2.2 Objetivos específicos ................................................................................................................... 13 3. MARCO REFERENCIAL .............................................................................................................. 14 3.1 MARCO CONCEPTUAL ................................................................................................................ 14 3.1.1 Litiasis Renal ........................................................................................................................... 14 3.1.2 Inteligencia Artificial .............................................................................................................. 15 3.1.3 Deep Learning ......................................................................................................................... 15 3.1.4 Transfer Learning ................................................................................................................... 16 3.1.5 Redes Neuronales Convolucionales ................................................................................. 17 3.1.6 Ecografía (Ultrasonido) ......................................................................................................... 23 3.1.7 Tomografía Axial Computarizada (TAC) ........................................................................... 23 3.1.8 Object detection (Detección de objetos) .......................................................................... 23 3.1.9 Imagen ...................................................................................................................................... 24 3.1.10 Data Augmentation .......................................................................................................... 24 3.2 MARCO TEÓRICO ......................................................................................................................... 25 3.2.1 Machine Learning ................................................................................................................... 25 3.2.2 Técnicas de procesamiento de imágenes ........................................................................ 26 3.2.3 Procesamiento de imágenes médicas .............................................................................. 27 4 ESTADO DEL ARTE ..................................................................................................................... 31 5 MARCO LEGAL ............................................................................................................................. 58 5.1 Resolución 8430 de 1993 ............................................................................................................. 58 5.2 Consejo de la OCDE sobre inteligencia artificial (IA) ........................................................... 58 5.3 Ley 2015 del 31 de enero de 2020 ............................................................................................. 59 5.4 Declaración de Helsinki ............................................................................................................... 59 6. DISEÑO METODOLÓGICO ......................................................................................................... 60 7. RESULTADOS ............................................................................................................................... 61 7.1 OBJETIVO NO. 1: DIAGNOSTICAR EL USO DE DEEP LEARNING PARA LA DETECCIÓN DE LITIASIS RENAL .................................................................................................... 61 7.1.1 Diagnóstico del uso de deep learning en litiasis renal ................................................. 61 7.2 OBJETIVO NO. 2: DISEÑAR UN ALGORITMO BASADO EN DEEP LEARNING PARA LA DETECCIÓN DE LITIASIS RENAL. ................................................................................................... 82 7.2.1 Protocolo Médico ................................................................................................................... 82 7.2.2 Análisis de requerimientos del sistema ........................................................................... 92 7.2.3 Diagrama de procesos del sistema ................................................................................... 94 7.3 COMPLEMENTO DEL OBJETIVO NO. 2: DESARROLLO DEL ALGORITMO BASADO EN DEEP LEARNING PARA LA DETECCIÓN DE LITIASIS RENAL. ......................................... 95 7.3.1 Recopilación del Dataset con el Web Scrapper .............................................................. 95 7.3.2 Desarrollo del código ............................................................................................................ 96 7.4 OBJETIVO NO. 3: EVALUAR EL CORRECTO FUNCIONAMIENTO DEL SISTEMA PREDICTIVO CON EL CONJUNTO DE DATOS PRUEBA SUMINISTRADO CONTRASTÁNDOLO CON EL CONCEPTO DE LOS MÉDICOS EXPERTOS. ....................... 102 7.4.1 DOCUMENTO DE PRUEBAS ............................................................................................. 102 8. CONCLUSIONES ........................................................................................................................ 124 9. TRABAJO A FUTURO ................................................................................................................ 126 Referencias.......................................................................................................................................... 127PregradoKidney stones, or also known as renal lithiasis, are in the 10th position of the most sought after diseases and consulted by health professionals in Colombia (Pico, 2019). The problem addressed in this project is the reliability gap between an image captured by ultrasound and one captured by Computed Tomography (CT) for the detection of kidney stones. CT data capture is considered more effective in principle, but it is more costly and invasive for the patient; On the other hand, images captured by ultrasound can be obtained at a lower cost, but they depend largely on the skill and expertise of the professional who captures them. Taking the above into account, if a procedure is designed that reduces image noise and assists medical specialists in the detection process, it will be possible to reduce the costs related to the diagnosis and thus increase the precision of the same without the need for the use of additional equipment or additional training for professionals; For this reason, the possibility of having a system that allows the detection of kidney stones or lithiasis through ultrasound would imply an important advance in this field and support for radiologist specialists, since, with the standard procedure currently used (CT), generate a higher cost and must deal with the risks of invasion into the human body at the time of the study.application/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaSistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep LearningRenal lithiasis recognition system through diagnostic images based on deep learningIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPSystems engineerTechnological innovationsKidney stonesNephrolithiasisUrinary systemDeep learningUrinary stonesArtificial intelligenceSimulation by digital computersIngeniería de sistemasInnovaciones tecnológicasCálculos urinariosInteligencia artificialSimulación por computadores digitalesCálculos renalesLitiasis renalAparato urinarioDeep learningA. Sevik. P. Erdogmus and E. Yalein. (2018). Font and Turkish Letter Recognition in Images with Deep Learning. ANKARA, Turkey: IEEEAhmed Hosny, C. P., Quackenbush, J., Schwartz, L. H., & Aerts, H. J. (2018). Artificial intelligence in radiologyAkkasaligar & Biradar, P. T. (2016). Diagnosis of renal calculus disease in medical ultrasound images. Chennai, IndiaArias, J. M. (2019). Modelo de aprendizaje profundo / red neuronal convolucional (CNN) para clasificación de calidad de ácidos grasos por imágenes de semillas de Helianthus annuus.Azhar et al, K. A. (2016). Computer vision based detection and localization of potholes in asphalt pavement images. Vancouver, Canada: IEEEBejaimal & Bejaimal, S. B. (2017). Magnetic resonance enterography performs well in detecting active inflammation in pediatric inflammatory bowel disease.BUSTAMANTE, S.-H. Y. (2014). ALGORITMOS DE PROCESAMIENTO DE IMAGEN APLICADOS A LA DETECCIÓN DE FIGURAS GEOMÉTRICAS Y SUS PROPIEDADES ESPACIALESColombia, C. d. (2020). Ley 2015 del 31 de enero de 2020.DÅDERMAN, A., & ROSANDER, S. (2018). Evaluating Frameworks for Implementing Machine Learning in Signal Processing. STOCKHOLM, SVERIGEDiaz & Suárez, H. R. (2017). Ecografía clínica. Nuevas concepciones sobre una disciplina clásica en. Villa Clara. CubaDutta & Dubey, A. D. (2019). Detection of Liver Cancer using Image Processing Techniques. Chennai, IndiaFarrera, M. S., & Acebes, A. d. (2015). Litiasis renalFawzi, A., Samulowitz, H., Turaga, D., & Frossard, P. (2016). Adaptive data augmentation for image classification. Phoenix, AZ, USAGamboa-Gutiérrez, E., Varela-Villalobos, M., & Varela-Briceño, C. (2020). Litiasis renal en Costa Rica: bioquímica y epidemiología. San José, Costa Rica.García, R. G. (2015). Estudio comporativo de efectividad sedativa con propofol vs midazolam-fentanyl en pacientes sometidos a tomografía axial computarizada (TAC) de emergencia en el Hospital Luis Vernaza periodo 2013Gollapudi, S. (2019). Learn Computer Vision Using OpenCV With Deep Learning CNNs and RNNs. Hyderabad, Telangana, IndiaGoularas & Kamis, D. G. (2019). Evaluation of Deep Learning Techniques in. Istanbul, Turkey: IEEEGraffigna et al, M. G. (2017). Diagnóstico de esteatosis hepática por métodos clínicos, bioquímicos y por imágenes. Argentina: ScienceDirect.Gutiérrez et al, J. S. (2016). SÚPER RESOLUCIÓN Y MEJORA DEL ALGORITMO CANNY PARA LA DETECCIÓN DE BORDES EN IMÁGENES MÉDICASITELLIGENT. (3 de enero de 2018). ITELLIGENT. Obtenido de https://itelligent.es/es/deep-learning-convolutional-neuronal-network-cnnconsiste/Kim & Ro, J. U. (2019). Attentive Layer Separation for Object Classification and Object Localization in Object Detection. Taipei, TaiwanKoplay et al, M. S. (2015). Importance of imaging and recent developments in diagnosis of nonalcoholic fatty liver disease. World journal of hepatology, 7(5), 769–776. doi:10.4254/wjh.v7.i5.769. Konya, Turquía.Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks.LeCun. Bengio & Hinton. (2015). Deep learningLemley, J., Bazrafkan, S., & Corcoran, P. (2017). Deep Learning for Consumer Devices and ServicesLi et al, D. L.-I. (2019). Soft Phantom for the Training of Renal Calculi Diagnostics and Lithotripsy. Berlin, GermanyLu, H., Li, Y., Chen, M., Kim, H., & Serikawa, S. (2017). Brain Intelligence: Go beyond Artificial Intelligence.Mangayarkarasi &Najumnissa, T. M. (2017). PNN-based analysis system to classify renal pathologies in Kidney Ultrasound Images. Chennai, India.McAninch & Lue, J. W. (2020). Smith & Tanagho's General Urology.Mello Legal & Vázquez, M. R. (2015). Mejora de contraste de imagen a color utilizando la transformada de top-hat multiescala. San Lorenzo, Paraguay.MINSALUD. (2018). Estimación de oferta de médicos especialistas en Colombia 1950-2030. Bogotá, ColombiaMinTIC. (22 de mayo de 2019). MinTIC. Obtenido de https://www.mintic.gov.co/portal/inicio/Sala-de-Prensa/MinTIC-en-los Medios/100826:Colombia-se-adhiere-a-acuerdo-de-Inteligencia-Artificialante-la-OCDEMUNDIAL, A. G. (2000). DECLARACIÓN DE HELSINKI: PRINCIPIOS ÉTICOS PARA LA INVESTIGACIÓN MÉDICA SOBRE SUJETOS HUMANOSNa8. (29 de noviembre de 2018). https://www.aprendemachinelearning.com. Obtenido de https://www.aprendemachinelearning.com/como-funcionan-lasconvolutional-neural-networks-vision-por-ordenadorNieto, V. M., & Yanes, M. I. (2019). Nefrología.Palacios, H. J., Pantoja, G. A., Navarro, A. A., Puetaman, I. M., & Toledo, R. A. (2016). Comparativa entre CRISP-DM y SEMMA para la limpieza de datos en productos MODIS en un estudio de cambio de cobertura y uso del suelo.Pico, L. M. (11 de abril de 2019). Este es el escalafón de enfermedades más buscadas en Colombia. LafmPoggio et al, G. P. (2017). La ecografía primero: ¿Por qué, cómo y cuándo? La Plata, ArgentinaPortillo, C. O. (2016). Selección y adecuación de la imagen para productos editorialesQuintero et al, C. Q.-G. (2017). Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo. ESTEC Conference Proceedings 6th Engineering, Science and Technology Conference (2017). Knowledge E. Engaging mindsRaghunandan et al, A. R. (2018). Object Detection Algorithms for Video Surveillance Applications. Chennai, India.Ranjitha, M. (2016). Extraction and dimensionality reduction of features for Renal Calculi detection and artifact differentiation from segmented ultrasound kidney images. New Delhi, India.Rozman, F. (2016). Medicina Interna. Elsevier, EspañaSalud, M. d. (1999). Resolución 1995 de 1999.Schäfer, F., Zeiselmair, C., Becker, J., & Otten, H. (2018). Synthesizing CRISP-DM and Quality Management: A Data Mining Approach for Production Processes. Marrakech, Morocco, MoroccoShah & Kadge, T. S. (2019). Analysis and Identification of Renal Calculi in Computed Tomography Images. Navi Mumbai, IndiaShao Zhu & Li, L. S. (2014). Transfer Learning for Visual Categorization: A SurveySharma, K., & Nandal, D. R. (2019). A Literature Study on Machine Learning Fusion. Rohtak, Haryana, IndiaSnopek, K. M. (2017). Relationship between the cayley-dickson fourier transform and the hartley transform of multidimensional real signals. Barcelona, SpainSocial, M. d. (2017). Resolución Nº 839 de 23 de marzo de 2017Stevens, E., & Antiga, L. (2019). Deep Learning with PyTorch.Supriyanti et al, R. S. (2016). Brightness and Contrast Modification in Ultrasonography Images Using Edge Detection Results.Velásquez, A. R. (1999). Procesamiento de imágenes médicasWeiss. Khoshgodtaar & Wang, K. W. (2016). A survey of transfer learning. SpringerOpen.X. Li and Y. Shi. (2018). Computer Vision Imaging Based on Artificial Intelligence. Changsha, China: IEEEZabala Rivera & Maldonado, S. A. (2009). Metodología para la implementación de un sistema de reconocimiento de objetos mediante técnicas de visión artificial aplicado a manipuladores robóticos.Akbulut, Y., Sengur, A., Guo, Y., & Smarandache, F. (2017). NS-k-NN: Neutrosophic Set-Based k-Nearest Neighbors Classifieraws. (2020). https://aws.amazon.com/. Obtenido de https://aws.amazon.com/es/mxnetBattineni, G., Chintalapudi, N., & Amenta, F. (2019). Machine learning in medicine: Performance calculation of dementia prediction by support vector machines (SVM)Budhiraja, A. (15 de diciembre de 2016). Medium. Obtenido de https://medium.com/@amarbudhiraja/https-medium-com-amarbudhirajalearning-less-to-learn-better-dropout-in-deep-machine-learning74334da4bfc5Chillón, F. R. (19 de agosto de 2020). Clínica Universidad de Navarra. Obtenido de https://www.cun.es/enfermedades-tratamientos/enfermedades/litiasis-renalCuevas, E., & Reyna-Orta, A. (2014). A Cuckoo Search Algorithm for Multimodal Optimization.Espejel, O. (2020). Entendiendo PyTorch: las bases de las bases para hacer inteligencia artificial.Fan, Q., Brown, L., & Smith, J. (2016). A Closer Look at Faster R-CNN for Vehicle DetectionGirshick, R. (2015). Fast R-CNNGoodfellow, I., Bengio, Y., & Courville, A. (2016). Deep LearningHuang, G., Liu, Z., Weinberger, K. Q., & Maaten, L. v. (2016). Densely Connected Convolutional Networksimagingbiometrics. (2017). imagingbiometrics. Obtenido de https://www.imagingbiometrics.com/what-we-offer/product-services/ibstonecheckerIndex, P. P. (septiembre de 2020). https://pypi.org/. Obtenido de https://pypi.org/project/Theanoinfosalus. (06 de octubre de 2014). infosalus. Obtenido de https://www.infosalus.com/asistencia/noticia-realizan-programa-informaticomejorar-diagnostico-pacientes-calculos-renales-20140402124529.htmlJia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., . . . Darrell, T. (2014). Caffe: Convolutional Architecture for Fast Feature EmbeddingLeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning.Leslie, S. W., Sajjad, H., & Murphy, P. B. (2020). Renal Calculi.Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector.Málaga, U. d. (1 de septiembre de 2020). Urólogos de Málaga. Obtenido de https://www.urologosmalaga.com/tratamientos/litiasis-calculos/4-1-litiasiscalculos-evaluacion-y-diagnostico/MathWorks. (24 de agosto de 2020). GoogLeNet convolutional neural network. Obtenido de MathWorks: https://www.mathworks.com/help/deeplearning/ref/googlenet.htmlMayoClinic. (8 de febrero de 2019). MayoClinic. Obtenido de https://www.mayoclinic.org/es-es/diseases-conditions/kidneystones/diagnosis-treatment/drc-20355759missinglink.ai. (2020). missinglink.ai. Obtenido de https://missinglink.ai/guides/keras/keras-resnet-building-training-scalingresidual-netskeras/#:~:text=Residual%20Network%20(ResNet)%20is%20a,or%20thousa nds%20of%20convolutional%20layers.&text=ResNet%20stacks%20up%20i dentity%20mappings,the%20activations%Navamani, T. (2019). Efficient Deep Learning Approaches for Health Informatics. Deep Learning and Parallel Computing Environment for Bioengineering SystemsPeixeiro, M. (12 de marzo de 2019). towardsdatascience. Obtenido de https://towardsdatascience.com/how-to-improve-a-neural-network-withregularization-8a18ecda9fe3Pereira-Toledo, A., López-Cabrera, J. D., & Quintero-Domínguez, L. A. (2017). Estudio experimental para la comparación del desempeño de Naïve Bayes con otros clasificadores bayesianosPyTorch. (2020). PyTorch. Obtenido de https://pytorch.orgRedmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection.Rizwan, M. (05 de Octubre de 2018). DataCamp. Obtenido de https://www.datacamp.com/community/news/how-to-implement-alexnet-cnnarchitecture-using-keras-7vq9ilt9qb7Sak, H., Senior, A., & Beaufays, F. (2014). Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling.Sankesara, H. (23 de Enero de 2019). UNet, Introducing Symmetry in Segmentation. Obtenido de https://towardsdatascience.com/u-netb229b32b4a71Shao Zhu & Li, L. S. (2014). Transfer Learning for Visual Categorization: A SurveyShorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning.Susaeta, R., Benavente, D., Marchant, F., & Gana, R. (2018). Diagnóstico y manejo de litiasis renal en adultos y niños. Santiago, Chile.Tan, L. (2015). 17.2.2.1 Supervised learning. En Code Comment Analysis for Improving Software Quality (pág. 500).Tharwat, A., Gaber, T., Ibrahim, A., & Hassanien, A. E. (2017). Linear discriminant analysis: A detailed tutorial.UAB. (30 de septiembre de 2014). UAB. Obtenido de https://www.uab.cat/web/sala-de-prensa/detalle-noticia/mystone-un-nuevodispositivo-de-analisis-rapido-de-calculos-renales1345667994339.html?noticiaid=1345676036016Wang, L., Guo, S., Huang, W., & Qiao, Y. (2015). Places205-VGGNet Models for Scene Recognition. Hong Kong, ChinaWang, Z., Wang, Y., Zeng, R., Srinivasan, R. S., & Ahrentzen, S. (2018). Random Forest based Hourly Building Energy PredictionWeiss. Khoshgodtaar & Wang, K. W. (2016). A survey of transfer learningWu, S., Li, G., Deng, L., Liu, L., Wu, D., Xie, Y., & Shi, L. (2018). L1-Norm Batch Normalization for Efficient Training of Deep Neural NetworksZeng, Y.-R., Zeng, Y., Choi, B., & Wang, L. (2017). Multifactor-Influenced Energy Consumption Forecasting Using Enhanced Back-propagation Neural Network.Zhong, Z., Jin, L., & Xie, Z. (2015). High Performance Offline Handwritten Chinese Character Recognition Using GoogLeNet and Directional Feature MapsCHILLÓN, F. R. (16 de agosto de 2020). Clínica Universidad de Navarra. Obtenido de https://www.cun.es/enfermedades-tratamientos/enfermedades/litiasisrenalLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/12742/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessORIGINAL2020_Tesis_Maria_Camila_Guiza_Ortiz.pdf2020_Tesis_Maria_Camila_Guiza_Ortiz.pdfTesisapplication/pdf2663614https://repository.unab.edu.co/bitstream/20.500.12749/12742/1/2020_Tesis_Maria_Camila_Guiza_Ortiz.pdf5ea690af185c3d12e75b15b702aa5e1eMD51open access2020_Licencia_Maria_Camila_Guiza_Ortiz.pdf2020_Licencia_Maria_Camila_Guiza_Ortiz.pdfLicenciaapplication/pdf837763https://repository.unab.edu.co/bitstream/20.500.12749/12742/2/2020_Licencia_Maria_Camila_Guiza_Ortiz.pdf07788b398a5a1b05c9eb98d290ed33daMD52metadata only accessTHUMBNAIL2020_Tesis_Maria_Camila_Guiza_Ortiz.pdf.jpg2020_Tesis_Maria_Camila_Guiza_Ortiz.pdf.jpgIM Thumbnailimage/jpeg4276https://repository.unab.edu.co/bitstream/20.500.12749/12742/4/2020_Tesis_Maria_Camila_Guiza_Ortiz.pdf.jpg77ea737f545f7506ee558b86a8445514MD54open access2020_Licencia_Maria_Camila_Guiza_Ortiz.pdf.jpg2020_Licencia_Maria_Camila_Guiza_Ortiz.pdf.jpgIM Thumbnailimage/jpeg9906https://repository.unab.edu.co/bitstream/20.500.12749/12742/5/2020_Licencia_Maria_Camila_Guiza_Ortiz.pdf.jpg2888017cc6ebdbd6198959e795cd69e8MD55metadata only access20.500.12749/12742oai:repository.unab.edu.co:20.500.12749/127422021-04-29 07:46:44.405open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |