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...

Full description

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