Maestría en Ingeniería de Sistemas e Informática

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9010

Browse

Browsing Maestría en Ingeniería de Sistemas e Informática by browse.metadata.evaluator "Fajardo Ariza, Carlos Augusto"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    A Deep Distillation Algorithm for Non-linear Gradient Preconditioning in Inverse Problems
    (Universidad Industrial de Santander, 2025-05-19) Gualdrón Hurtado, Yesid Romario; Argüello Fuentes, Henry; Fajardo Ariza, Carlos Augusto; Monsalve Salazar, Jonathan Arley
    Los algoritmos de reconstrucción que combinan optimización y regularización permiten la integración de los modelos físicos bien definidos con eliminadores de ruido para resolver problemas inversos en imagenología. Sin embargo, la solución del término de fidelidad de datos plantea desafíos significativos debido a la matriz de adquisición mal condicionada ocasionada por las restricciones físicas en el sistema de adquisición. Los algoritmos han adoptado técnicas de preacondicionamiento para abordar el mal condicionamiento, mejorando así la optimización del término de fidelidad y la velocidad de convergencia. No obstante, los diseños actuales del operador de preacondicionamiento (PO) se basan en la estructura de la matriz de adquisición o en diseños de extremo a extremo, lo que puede limitar el rendimiento, debido a que la estructura puede ser suboptima y por el desvanecimiento del gradiente, respectivamente. Por lo tanto, introducimos la destilación de conocimiento (KD) en algoritmos para diseñar un preacondicionamiento del gradiente no lineal (D2GP) mediante la guía controlada de un algoritmo mejor condicionado. Se construyó un algoritmo maestro (TA) que emplea una matriz de adquisición simulada (virtual) con pocas restricciones físicas —solo factible en simulaciones—, lo que permite un alto rendimiento en la recuperación. El algoritmo estudiante (SA) utiliza una matriz de adquisición físicamente factible, que limita el rendimiento en la recuperación. El PO se diseña de tal manera que, al integrarse en el SA, puede alcanzar un rendimiento similar al del TA. Se diseñaron diferentes funciones de pérdida de destilación para transferir distintas propiedades del TA al SA. Se validó el diseño propuesto del PO en varias modalidades de imagenología, tales como la resonancia magnética, la cámara de un solo píxel y superresolución.
  • No Thumbnail Available
    Item
    Detección de glaucoma utilizando imágenes del fondo del ojo mediante el uso de redes neuronales convolucionales
    (Universidad Industrial de Santander, 2024-04-23) Carrillo Rodríguez, Juan Sebastián; Bautista Rozo, Lola Xiomara; Villamizar Morales, Jorge; Fajardo Ariza, Carlos Augusto; Pertuz Arroyo, Said David
    Las deficiencias en el cuidado de la visión pueden tener consecuencias lamentables e irreversibles en la vida de las personas, ya que algunas enfermedades oculares, como el Glaucoma abordado en este proyecto, son afecciones sigilosas que afectan los ojos de manera asintomática. El Glaucoma se destaca como una de las principales causas de ceguera a nivel mundial, atribuido a la falta de síntomas claros que adviertan a quienes lo padecen y a la escasez de oftalmólogos especializados para diagnosticar y dar seguimiento adecuado a los casos identificados. En la práctica, la detección de la enfermedad comienza con un análisis visual de imágenes del fondo del ojo para identificar la presencia de Glaucoma. Estas imágenes se adquieren de manera relativamente sencilla, sin requerir procedimientos invasivos ni dispositivos costosos, y las cámaras para su obtención pueden ser manejadas por personal con entrenamiento básico. Además, proporcionan información suficiente para el diagnóstico de la enfermedad. En este proyecto, se aborda esta problemática de manera computarizada mediante la detección automatizada de Glaucoma. Se emplea una estrategia que combina redes de aprendizaje profundo yla transformada wavelet. Primero, las imágenes se procesan mediante el algoritmo de transformada wavelet para extraer características, y luego estas características se utilizan en el algoritmo de aprendizaje profundo para detectar la presencia de Glaucoma, respaldando así el diagnóstico oftalmológico. Esta estrategia ha demostrado una sensibilidad de hasta 96.72 % y una mejora en la convergencia de la red neuronal convolucional.