Detección de alzheimer por medio de imágenes médicas usando machine learning
"La enfermedad de Alzheimer es una enfermedad neurodegenerativa que afecta a pacientes de edad avanzada, haciendo que pierdan la capacidad de orientación, reconocimiento de personas, pérdida de memoria entre otros. Una de las preocupaciones más importantes de esta enfermedad corresponde a los t...
- Autores:
-
Segura Morales, Santiago Alfonso
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/48746
- Acceso en línea:
- http://hdl.handle.net/1992/48746
- Palabra clave:
- Enfermedad de Alzheimer
Diagnóstico por imágenes
Aprendizaje automático (Inteligencia artificial)
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id |
UNIANDES2_eddabf0ab1c4e994e6986841e8922f10 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/48746 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.es_CO.fl_str_mv |
Detección de alzheimer por medio de imágenes médicas usando machine learning |
title |
Detección de alzheimer por medio de imágenes médicas usando machine learning |
spellingShingle |
Detección de alzheimer por medio de imágenes médicas usando machine learning Enfermedad de Alzheimer Diagnóstico por imágenes Aprendizaje automático (Inteligencia artificial) Ingeniería |
title_short |
Detección de alzheimer por medio de imágenes médicas usando machine learning |
title_full |
Detección de alzheimer por medio de imágenes médicas usando machine learning |
title_fullStr |
Detección de alzheimer por medio de imágenes médicas usando machine learning |
title_full_unstemmed |
Detección de alzheimer por medio de imágenes médicas usando machine learning |
title_sort |
Detección de alzheimer por medio de imágenes médicas usando machine learning |
dc.creator.fl_str_mv |
Segura Morales, Santiago Alfonso |
dc.contributor.advisor.none.fl_str_mv |
Lozano Martínez, Fernando Enrique Higuera Arias, Carolina Arbeláez Escalante, Pablo Andrés |
dc.contributor.author.none.fl_str_mv |
Segura Morales, Santiago Alfonso |
dc.contributor.jury.none.fl_str_mv |
Giraldo Trujillo, Luis Felipe |
dc.subject.armarc.es_CO.fl_str_mv |
Enfermedad de Alzheimer Diagnóstico por imágenes Aprendizaje automático (Inteligencia artificial) |
topic |
Enfermedad de Alzheimer Diagnóstico por imágenes Aprendizaje automático (Inteligencia artificial) Ingeniería |
dc.subject.themes.none.fl_str_mv |
Ingeniería |
description |
"La enfermedad de Alzheimer es una enfermedad neurodegenerativa que afecta a pacientes de edad avanzada, haciendo que pierdan la capacidad de orientación, reconocimiento de personas, pérdida de memoria entre otros. Una de las preocupaciones más importantes de esta enfermedad corresponde a los tratamientos actuales, pues se llevan a cabo para tratar los síntomas y no para detener la evolución de esta. Debido a esto es importante realizar un diagnóstico de la enfermedad en las etapas más tempranas. Actualmente, una de las manera de hacer el diagnóstico de esta enfermedad se realiza por medio del análisis de imágenes diagnósticas como resonancias magnéticas, tomografías digitales o tomografía de emisión de positrones. Para poder llevar a cabo el proyecto se obtiene acceso a la base de datos ADNI. De la cual se obtiene una base de datos que consta de 2300 resonancias magnéticas clasificadas como AD (Enfermedad de Alzheimer), CN (Cognitivo normal), MCI(Deterioro cognitivo leve). Por lo que se aborda el problema como uno de clasificación. Como primer paso en el procedimiento llevado a cabo se realiza un preprocesamiento de todas las resonancias magnéticas el cual consiste en: Especificación por histograma, registro lineal, segmentación tejido cerebral, segmentación materia gris, blanca y fluido cerebro espinal. A partir de esta segmentación se usaron tres grupos de descriptores: proporción de volúmenes de materia, propiedades geométricas de la segmentación realizada y finalmente histogramas conjuntos de los píxeles que hacen parte de la materia gris, blanca y fluido cerebroespinal. Para realizar la clasificación , se decidió trabajar con SVM. Por lo que para cada descriptor por separado se realizó una búsqueda de parámetros que permitiera realizar la clasificación correcta sobre los datos de validación. Como métrica para comparar los diferentes modelos obtenidos se usó la F-medida."--Tomado del Formato de Documento de Grado |
publishDate |
2019 |
dc.date.issued.none.fl_str_mv |
2019 |
dc.date.accessioned.none.fl_str_mv |
2021-02-18T12:33:10Z |
dc.date.available.none.fl_str_mv |
2021-02-18T12:33:10Z |
dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.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/1992/48746 |
dc.identifier.pdf.none.fl_str_mv |
u833078.pdf |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/48746 |
identifier_str_mv |
u833078.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.es_CO.fl_str_mv |
spa |
language |
spa |
dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
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 |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.es_CO.fl_str_mv |
41 hojas |
dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
dc.publisher.es_CO.fl_str_mv |
Uniandes |
dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Electrónica |
dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
instname_str |
Universidad de los Andes |
institution |
Universidad de los Andes |
reponame_str |
Repositorio Institucional Séneca |
collection |
Repositorio Institucional Séneca |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/855b3f2b-9cd5-48fc-978e-55afc5371cd2/download https://repositorio.uniandes.edu.co/bitstreams/477bb7e7-63a5-44ad-83af-040ed9787ecf/download https://repositorio.uniandes.edu.co/bitstreams/128b346a-8b7b-4603-be3c-a365081c3bb4/download |
bitstream.checksum.fl_str_mv |
5a7ee2c15a7e70f9e4a5c47a798c847b 600579d02cb41e9041f4899558975d21 fc9898f9f31782ca6a56293829f6dd5a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812133962725720064 |
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Lozano Martínez, Fernando Enrique4b3dc2ea-9e3f-43cd-aabe-2b4567602c46400Higuera Arias, Carolina70d68b14-b3a4-486e-9300-cadce1c3c686500Arbeláez Escalante, Pablo Andrésvirtual::10375-1Segura Morales, Santiago Alfonso05b24260-a0bf-4b1a-8329-8f7d26bdaaef500Giraldo Trujillo, Luis Felipe2021-02-18T12:33:10Z2021-02-18T12:33:10Z2019http://hdl.handle.net/1992/48746u833078.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/"La enfermedad de Alzheimer es una enfermedad neurodegenerativa que afecta a pacientes de edad avanzada, haciendo que pierdan la capacidad de orientación, reconocimiento de personas, pérdida de memoria entre otros. Una de las preocupaciones más importantes de esta enfermedad corresponde a los tratamientos actuales, pues se llevan a cabo para tratar los síntomas y no para detener la evolución de esta. Debido a esto es importante realizar un diagnóstico de la enfermedad en las etapas más tempranas. Actualmente, una de las manera de hacer el diagnóstico de esta enfermedad se realiza por medio del análisis de imágenes diagnósticas como resonancias magnéticas, tomografías digitales o tomografía de emisión de positrones. Para poder llevar a cabo el proyecto se obtiene acceso a la base de datos ADNI. De la cual se obtiene una base de datos que consta de 2300 resonancias magnéticas clasificadas como AD (Enfermedad de Alzheimer), CN (Cognitivo normal), MCI(Deterioro cognitivo leve). Por lo que se aborda el problema como uno de clasificación. Como primer paso en el procedimiento llevado a cabo se realiza un preprocesamiento de todas las resonancias magnéticas el cual consiste en: Especificación por histograma, registro lineal, segmentación tejido cerebral, segmentación materia gris, blanca y fluido cerebro espinal. A partir de esta segmentación se usaron tres grupos de descriptores: proporción de volúmenes de materia, propiedades geométricas de la segmentación realizada y finalmente histogramas conjuntos de los píxeles que hacen parte de la materia gris, blanca y fluido cerebroespinal. Para realizar la clasificación , se decidió trabajar con SVM. Por lo que para cada descriptor por separado se realizó una búsqueda de parámetros que permitiera realizar la clasificación correcta sobre los datos de validación. Como métrica para comparar los diferentes modelos obtenidos se usó la F-medida."--Tomado del Formato de Documento de Grado"Alzheimer's (AD) is a neurodegenerative disease that affects elder patients. It causes the lost of different capabilites as orientation, recognition, identification, memory among others. One of the biggest concerns about AD is the existent treatments now that these have the objective of treat symptoms and not to delay or stop the disease evolution. As a consequence of these, it is important to make an early diagnosis in the beginning stages of AD. Nowdays one way to make the diagnosis of this disease is through medical images as magnetic resonance imaging, computed tomography or positron emission tomography. With the objective of achieving this project it was used the database ADNI, composed by 2300 magnetic resonance imaging (MRI) classified as normal cognitive , mild cognitive impairment and Alzheimer's disease. The first step of the solution was pre processing all the MRI. The pre processing consists of histogram specification, linear registration, cerebral tissue segmentation, white, gray matter and cerebrospinal fluid segmentation. With this segmentation there were used three descriptor groups: proportion of volume matters, geometrical properties and joint histograms of segmented matters. For the final step and make the clasiffication it was used Support Vector Machines and to find the best model it was performed a parameters searching over the validation data. The metric used to compare all the obtained models was the F-measure."--Tomado del Formato de Documento de GradoIngeniero ElectrónicoPregrado41 hojasapplication/pdfspaUniandesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y Electrónicainstname:Universidad de los Andesreponame:Repositorio Institucional SénecaDetección de alzheimer por medio de imágenes médicas usando machine learningTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPEnfermedad de AlzheimerDiagnóstico por imágenesAprendizaje automático (Inteligencia artificial)IngenieríaPublicationhttps://scholar.google.es/citations?user=k0nZO90AAAAJvirtual::10375-10000-0001-5244-2407virtual::10375-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001579086virtual::10375-1b4f52d42-ce2a-4e74-a22f-e52a6bfbd48evirtual::10375-1b4f52d42-ce2a-4e74-a22f-e52a6bfbd48evirtual::10375-1ORIGINALu833078.pdfapplication/pdf1407439https://repositorio.uniandes.edu.co/bitstreams/855b3f2b-9cd5-48fc-978e-55afc5371cd2/download5a7ee2c15a7e70f9e4a5c47a798c847bMD51TEXTu833078.pdf.txtu833078.pdf.txtExtracted texttext/plain74131https://repositorio.uniandes.edu.co/bitstreams/477bb7e7-63a5-44ad-83af-040ed9787ecf/download600579d02cb41e9041f4899558975d21MD54THUMBNAILu833078.pdf.jpgu833078.pdf.jpgIM Thumbnailimage/jpeg9645https://repositorio.uniandes.edu.co/bitstreams/128b346a-8b7b-4603-be3c-a365081c3bb4/downloadfc9898f9f31782ca6a56293829f6dd5aMD551992/48746oai:repositorio.uniandes.edu.co:1992/487462024-03-13 14:10:14.042https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |