Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro
La necesidad de realizar diagnósticos oportunos y certeros de enfermedades relacionadas con el cerebro ha planteado retos a las nuevas tecnologías computacionales. En este ámbito juegan un papel importante los avances en el aprendizaje automático, que permite por sus diferentes técnicas y algoritmos...
- Autores:
-
Osorio Barone, Alexander Jesús
- Tipo de recurso:
- Fecha de publicación:
- 2020
- Institución:
- Universidad Tecnológica de Bolívar
- Repositorio:
- Repositorio Institucional UTB
- Idioma:
- eng
spa
- OAI Identifier:
- oai:repositorio.utb.edu.co:20.500.12585/11716
- Acceso en línea:
- https://hdl.handle.net/20.500.12585/11716
https://utb.alma.exlibrisgroup.com/view/delivery/57UTB_INST/1215346770005731
- Palabra clave:
- Aprendizaje automático (inteligencia artificial)
Innovaciones tecnológicas
Diagnostico por imágenes
Resonancia magnética en imágenes
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
id |
UTB2_8d310e4a1c7760a3f08063a94e67839d |
---|---|
oai_identifier_str |
oai:repositorio.utb.edu.co:20.500.12585/11716 |
network_acronym_str |
UTB2 |
network_name_str |
Repositorio Institucional UTB |
repository_id_str |
|
spelling |
http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Contreras Ortiz, SoniaOsorio Barone, Alexander Jesúsfaaf4faf-251b-44b1-9e23-50d768f04b59300Cartagena de Indias2022-11-22T21:31:01Z2022-11-22T21:31:01Z2020https://hdl.handle.net/20.500.12585/11716https://utb.alma.exlibrisgroup.com/view/delivery/57UTB_INST/1215346770005731Universidad Tecnológica de BolívarRepositorio UTB006.31 O83La necesidad de realizar diagnósticos oportunos y certeros de enfermedades relacionadas con el cerebro ha planteado retos a las nuevas tecnologías computacionales. En este ámbito juegan un papel importante los avances en el aprendizaje automático, que permite por sus diferentes técnicas y algoritmos llevar a cabo la extracción de características y patrones relevantes de los objetos de estudio. Este trabajo presenta el estudio de varias arquitecturas basadas en Redes Convulsiónales CNN, con el objetivo de clasificar tres tipos de tumores presentes en una variedad de imágenes capturadas por medio de Resonancia Magnética de alto contraste. Las arquitecturas del presente estudio fueron VGG16, ResNet50, Xception, cuyas implementaciones se encuentran definidas en el framework Keras. Las pruebas de dichas arquitecturas estuvieron precedidas por las técnicas de Data Augmentation, Transfer Learning, que permitieron mejorar la exactitud del proceso de entrenamiento, gracias al uso de modelos pre-entrenados con el dataset de ImageNet. Al _nal, la arquitectura VGG16 fue la que mostró un mejor desempeño, con una exactitud de 98.04 %, seguido deResNet50 con 94.89% y por _ultimo Xception con 92.18 %.Incluye referencias bibliográficasRecurso Electrónicoapplication/pdfengspaTécnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebroinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/redcol/resource_type/TMTrabajo de grado de maestríahttp://purl.org/coar/version/c_970fb48d4fbd8a85Aprendizaje automático (inteligencia artificial)Innovaciones tecnológicasDiagnostico por imágenesResonancia magnética en imágeneshttp://purl.org/coar/resource_type/c_bdccFacultad de Ingeniería - Maestría en IngenieríaTesis MaestríaMaestría en IngenieríaUniversidad Tecnológica de BolívarORIGINALTHUMBNAILMiniProdInv.png.jpgMiniProdInv.png.jpgGenerated Thumbnailimage/jpeg2300https://repositorio.utb.edu.co/bitstream/20.500.12585/11716/2/MiniProdInv.png.jpg4981ca2ff99fefcc40f016e748269664MD5220.500.12585/11716oai:repositorio.utb.edu.co:20.500.12585/117162023-01-27 14:40:05.316Repositorio Institucional UTBrepositorioutb@utb.edu.co |
dc.title.none.fl_str_mv |
Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro |
title |
Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro |
spellingShingle |
Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro Aprendizaje automático (inteligencia artificial) Innovaciones tecnológicas Diagnostico por imágenes Resonancia magnética en imágenes |
title_short |
Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro |
title_full |
Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro |
title_fullStr |
Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro |
title_full_unstemmed |
Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro |
title_sort |
Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro |
dc.creator.fl_str_mv |
Osorio Barone, Alexander Jesús |
dc.contributor.advisor.none.fl_str_mv |
Contreras Ortiz, Sonia |
dc.contributor.author.none.fl_str_mv |
Osorio Barone, Alexander Jesús |
dc.subject.keywords.none.fl_str_mv |
Aprendizaje automático (inteligencia artificial) Innovaciones tecnológicas Diagnostico por imágenes Resonancia magnética en imágenes |
topic |
Aprendizaje automático (inteligencia artificial) Innovaciones tecnológicas Diagnostico por imágenes Resonancia magnética en imágenes |
description |
La necesidad de realizar diagnósticos oportunos y certeros de enfermedades relacionadas con el cerebro ha planteado retos a las nuevas tecnologías computacionales. En este ámbito juegan un papel importante los avances en el aprendizaje automático, que permite por sus diferentes técnicas y algoritmos llevar a cabo la extracción de características y patrones relevantes de los objetos de estudio. Este trabajo presenta el estudio de varias arquitecturas basadas en Redes Convulsiónales CNN, con el objetivo de clasificar tres tipos de tumores presentes en una variedad de imágenes capturadas por medio de Resonancia Magnética de alto contraste. Las arquitecturas del presente estudio fueron VGG16, ResNet50, Xception, cuyas implementaciones se encuentran definidas en el framework Keras. Las pruebas de dichas arquitecturas estuvieron precedidas por las técnicas de Data Augmentation, Transfer Learning, que permitieron mejorar la exactitud del proceso de entrenamiento, gracias al uso de modelos pre-entrenados con el dataset de ImageNet. Al _nal, la arquitectura VGG16 fue la que mostró un mejor desempeño, con una exactitud de 98.04 %, seguido deResNet50 con 94.89% y por _ultimo Xception con 92.18 %. |
publishDate |
2020 |
dc.date.issued.none.fl_str_mv |
2020 |
dc.date.accessioned.none.fl_str_mv |
2022-11-22T21:31:01Z |
dc.date.available.none.fl_str_mv |
2022-11-22T21:31:01Z |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
dc.type.hasversion.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
dc.type.spa.none.fl_str_mv |
Trabajo de grado de maestría |
status_str |
publishedVersion |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12585/11716 |
dc.identifier.url.none.fl_str_mv |
https://utb.alma.exlibrisgroup.com/view/delivery/57UTB_INST/1215346770005731 |
dc.identifier.instname.none.fl_str_mv |
Universidad Tecnológica de Bolívar |
dc.identifier.reponame.none.fl_str_mv |
Repositorio UTB |
dc.identifier.ddc.none.fl_str_mv |
006.31 O83 |
url |
https://hdl.handle.net/20.500.12585/11716 https://utb.alma.exlibrisgroup.com/view/delivery/57UTB_INST/1215346770005731 |
identifier_str_mv |
Universidad Tecnológica de Bolívar Repositorio UTB 006.31 O83 |
dc.language.iso.none.fl_str_mv |
eng spa |
language |
eng spa |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.licence.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.uri.none.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 International http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.medium.none.fl_str_mv |
Recurso Electrónico |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.coverage.spatial.none.fl_str_mv |
Cartagena de Indias |
institution |
Universidad Tecnológica de Bolívar |
bitstream.url.fl_str_mv |
https://repositorio.utb.edu.co/bitstream/20.500.12585/11716/2/MiniProdInv.png.jpg |
bitstream.checksum.fl_str_mv |
4981ca2ff99fefcc40f016e748269664 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositorio Institucional UTB |
repository.mail.fl_str_mv |
repositorioutb@utb.edu.co |
_version_ |
1814021687201497088 |