Comparative study of deep learning segmentation models for body composition analysis in CT scans

"El análisis de la composición corporal es un conjunto de pruebas que miden la proporción de diversos tejidos en el cuerpo de una persona, aunque existen varias pruebas físicas y clínicas para realizar este tipo de análisis, se han desarrollado herramientas más fiables utilizando métodos de aprendizaje profundo como la arquitectura U-Net. En este estudio, nuestro objetivo es comparar el mejor método para el análisis de la composición corporal entre un conjunto de métodos de aprendizaje profundo basados en la arquitectura U-Net original: U-Net, R2U-Net, Attention U-Net y Attention R2U-Net. Estos métodos fueron entrenados en un conjunto de datos de tomografías computarizadas, que consiste en 516 imágenes con sus correspondientes anotaciones para tres tejidos diferentes: grasa visceral, grasa subcutánea y músculos paravertebrales. Tomando el Dice score como la métrica de evaluación, obtuvimos que el modelo U-Net era el más preciso en términos de segmentación general de la composición corporal.." -- Tomado del Formato de Documento de Grado.

• Autores: Amaya Porras, Cristian Mateo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2020
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: eng
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/44828
• Acceso en línea: http://hdl.handle.net/1992/44828
• Palabra clave: Tomografía; Cuerpo humano; Diagnóstico por imágenes; Aprendizaje automático (Inteligencia artificial); Redes neurales (Computadores); Ingeniería
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/