Ingeniería de Sistemas

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9263

Browse

Now showing 1 - 11 of 11

CARACTERIZACIÓN DEL TEMBLOR DE MANOS EN PACIENTES CON PARKINSON UTILIZANDO UN ESQUEMA DE APRENDIZAJE CONVOLUCIONAL PROFUNDO
(Universidad Industrial de Santander, 2022-09-08) Pedraza Cadena, Jessica Fernanda; Martínez Carrillo, Fabio; Romo Bucheli, David Edmundo; Bacca Quintero, Jorge Luis
Actualmente, más de 6 millones de personas alrededor del mundo padecen la enfermedad de Parkinson (EP) y se estima que para el año 2040 el número de personas diagnosticadas ascienda a 17 millones. Este trastorno neurodegenerativo está relacionado con el déficit de dopamina, afectando principalmente condiciones motoras, tales como: lentitud de los movimientos, inestabilidad postural, temblor en las extremidades, rigidez, disminución en la amplitud del movimiento, afectaciones en la expresión facial y en la voz. El temblor siendo un movimiento rítmico y no controlado es el síntoma de mayor prevalencia en la EP afectando principalmente las extremidades. En la rutina clínica, la valoración y cuantificación de la enfermedad se puede lograr mediante la detección y caracterización del temblor en las manos siguiendo esquemas posturales y de reposo. En la configuración de reposo, las manos descansan sobre una superficie, limitando la percepción del temblor, especialmente en estadios tempranos. Por otra parte, en la configuración postural el paciente mantiene perpendicularmente sus brazos respecto al tronco, de esta manera, la amplitud del temblor se amplifica debido a la fuerza gravitacional. Este tipo de configuración, sin embargo, añade contracciones musculares voluntarias, resultando en señales ruidosas respecto a la caracterización motora propia del temblor. Estas valoraciones son además subjetivas y dependen de la experticia de los profesionales para determinar si el temblor está asociado a la EP. Hoy en día, en la literatura se reportan alternativas para la cuantificación del temblor, siendo un soporte para la caracterización de este patrón. Sin embargo, estas herramientas por lo general son invasivas y reportan una descripción limitada de los patrones motores del temblor. En este trabajo se presenta una representación profunda volumétrica para la caracterización de los patrones de temblor asociados a la EP, registrados en secuencias de video bajo esquemas de reposo y postural. La estrategia incluye un esquema convolucional que extrae patrones espacio-temporales, correlacionados con el temblor, los cuales son propagados a través de una arquitectura jerárquica que se ajusta respecto a una regla de discriminación entre pacientes con la EP y sujetos control. Además, se logró extraer características aprendidas en la representación profunda, permitiendo generar mapas de atención que permiten establecer las principales regiones temporales que se destacan en el video para realizar la clasificación y servir como soporte en la caracterización de la enfermedad. El método fue evaluado sobre un conjunto total de 80 videos (5 pacientes con la EP y 5 sujetos control), utilizando un esquema de validacion cruzada de tipo "leave one patient out", es decir, dejando un paciente fuera para evaluación y el resto para entrenamiento. En está validación se reporto una exactitud promedio de 92.5 % y una sensibilidad de 100 % en un esquema de reposo. En cuanto a un esquema postural, el método propuesto logra una exactitud promedio de 90 % y una sensibilidad de 80 %.
Desarrollo de un simulador para evaluar estrategias en programación de proyectos con recursos restringidos y duración de actividades aleatorias.
(Universidad Industrial de Santander, 2022-11-02) Mantilla Romero, Laura Marcela; Latorre Ramírez, Juan Diego; Ortiz Pimiento, Néstor Raúl; Bautista Rozo, Lola Xiomara; Arias Osorio, Javier Eduardo; Sanabria Ruiz, Víctor Alfonso; Barrios Hernández, Carlos Jaime; Bacca Quintero, Jorge Luis
En esta investigación se desarrolló una aplicación para abordar la fase reactiva del Problema de Programación de Proyectos con Recursos Restringidos (RCPSP) con duración de actividades aleatorias, mediante un esquema generador de secuencias (SGS) en paralelo, el cual simula la programación de las actividades teniendo en cuenta una regla de prioridad en este caso un vector proveniente de la línea base generada por la fase proactiva del RCPSP, así como el cumplimiento de las restricciones de precedencias, disponibilidad de los recursos y aplicación de riesgos. Esto con el fin de obtener el makespan esperado para los n escenarios simulados, a su vez permite hacer un análisis de robustez bajo dos indicadores, robustez de la calidad y robustez de la solución para los diferentes escenarios simulados. La aplicación también permitirá la visualización de un histograma el cual representa cómo se distribuyen los makespan generados por las simulaciones ejecutadas.
Destilado de bases de datos de imágenes hiperespectrales basado en aprendizaje profundo para la solución de problemas de clasificación
(Universidad Industrial de Santander, 2024-08-28) Gutiérrez Palomino, Edinsson; Arguello Fuentes, Henry; Jácome Carrascal, Román Alejandro; Correa Pugliese, Claudia Victoria; Bacca Quintero, Jorge Luis
El destilado (o condensación) de bases de datos es una técnica utilizada para reducir la dimensionalidad de los conjuntos de datos empleados en el entrenamiento de modelos de aprendizaje profundo, que, según Yu et al. (2024), fue inicialmente propuesta por Wang et al. (2020); pero que sin embargo, a dı́a de hoy aún tiene limitaciones para su aplicación en datos de alta dimensionalidad (Lei and Tao, 2024) en los cuales se incluyen las imágenes hiper- espectrales, un tipo de señal que se caracteriza (entre otras cosas) por proveer información a lo largo de una enorme gama de frecuencias del espectro electromagnético a una escala mayor que la de las imágenes multiespectrales, lo que la convierte en la señal de tipo imagen con mayor dimensionalidad; pero que a pesar de ello es ampliamente utilizada para resolver diversos problemas de clasificación de (entre otras cosas) materiales, tipos de suelo, sustancias y enfermedades, a menudo por medio de clasificadores basados en aprendizaje profundo, los cuales también son co- nocidos por su alto costo de entrenamiento debido a la enorme cantidad de parámetros optimizables que poseen, lo que dificulta aún mas la tarea de entrenamiento y clasificación en proyectos con capacidades de cómputo limitadas. Es debido a lo anterior que este trabajo investigativo presenta la implementación de un algoritmo de destilado basado en el aprendizaje profundo aplicado a imágenes hiperespectrales. Referencias: Yu, R., Liu, S., and Wang, X. (2024). Dataset distillation: A comprehensive review. IEEE Transac- tions on Pattern Analysis and Machine Intelligence, 46(1):150–170. Wang, T., Zhu, J.-Y., Torralba, A., and Efros, A. A. (2020). Dataset distillation. Lei, S. and Tao, D. (2024). A comprehensive survey of dataset distillation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(1):17–32.
Detección de pólipos en secuencias largas de colonoscopia siguiendo esquemas no supervisados.
(Universidad Industrial de Santander, 2024-05-14) Ortiz Celis, Daniel Eduardo; Martínez Carrillo, Fabio; Rangel Pieschacón, Edgar Yesid; Bacca Quintero, Jorge Luis; Pertuz Arroyo, Said David
En Colombia, durante el año 2020, se diagnosticaron 11 mil nuevos casos de cáncer de colon, siendo el tercer tipo de cáncer con mayor incidencia a nivel nacional. Además, mundialmente se reportaron cerca de 2 millones de casos nuevos, siendo el tercer tipo de cáncer con mayor incidencia. Los pólipos observados durante procedimientos de colonoscopia son los principales precursores de la enfermedad y su detección temprana está asociada con mejores pronósticos. Sin embargo, la tarea de detección de estas masas es desafiante, incluso para expertos gastroenterólogos, reportando hasta un 26% de pólipos no clasificados. Las herramientas computacionales para la detección y caracterización de pólipos han permitido soportar estos procedimientos, pero siguen reportando limitaciones en ambientes reales debido a movimientos de cámara, similitud textural con pliegues intestinales, entre otros artefactos de la escena. Además, la escasez es un desafió adicional, apareciendo en menos del 10% de una secuencia de colonoscopia. En este trabajo se exploraron dos estrategias de entrenamiento débilmente supervisadas para la detección de cáncer colorrectal. Primero, se utiliza un modelo del estado del arte basado en una arquitectura multiatención, que se entrenó bajo un esquema de aprendizaje semisupervisado, realizando una tarea de segmentación binaria de pólipos. Durante este proceso, solo se incluyó un subconjunto de entrenamiento para simular escenarios con, complementando la información con pseudoetiquetas que complementan observaciones para ajustar el modelo. También en este trabajo se adopto la arquitectura de aprendizaje profunda, para ajustarla en un esquema autosupervisado, siguiendo una tarea de reconstrucción. De esta arquitectura se implementó una estrategia para la detección (patrones no vistos durante el entrenamiento) utilizando únicamente datos del tracto intestinal. Estos dos enfoques fueron validados en dos conjuntos diferentes de datos, públicos y secuencias largas de colonoscopia, para evaluar el desempeño y generalización del modelo.
HERRAMIENTA COMPUTACIONAL PARA LA ASISTENCIA AL TRATAMIENTO DE HERIDAS CRÓNICAS EN PACIENTES DE HANSEN DEL DEPARTAMENTO DE SANTANDER.
(Universidad Industrial de Santander, 2023-08-04) Estupiñan Cobos, Juan Sebastian; Sanchez Quiroga, Karen Yaneth; Arguello Fuentes, Henry; Garzon Villamizar, Gustavo Adolfo; Bacca Quintero, Jorge Luis
Las heridas crónicas son un problema global, son padecidas por alrededor de 40 millones de personas en el mundo y son ocasionadas por enfermedades cardiovasculares, diabetes tipo-2 o infecciones agudas como la enfermedad de Hansen. La recuperación irregular de estas heridas hace necesario un tratamiento periódico, especialmente en los pacientes de Hansen, debido a la carga de la enfermedad, llegando a ocasionar deficiencias físicas irreversibles. A pesar de las complicaciones que generan estas heridas, en los países en desarrollo la asistencia no es oportuna debido al estado deficiente de las infraestructuras viales y sanitarias. Con el objetivo de asistir el tratamiento, varias herramientas computacionales basadas en el procesamiento de imágenes y el aprendizaje profundo han surgido recientemente. Sin embargo, estas propuestas se ven limitadas por factores de las imágenes de las heridas como la iluminación, tamaños, severidad, sombras o colores. Adicionalmente, los enfoques basados en datos solo cuentan con disponibilidad de datos de pacientes de diabetes de países desarrollados, dejando de lado los pacientes de Hansen y los países en desarrollo. Por lo tanto, este trabajo propone una herramienta computacional basada en aprendizaje profundo para el monitoreo de heridas crónicas de pacientes de la enfermedad de Hansen del municipio de Contratación, Santander, municipio en donde se encuentra el Sanatorio de Contratación E.S.E., el cual atiende más de 100 pacientes de Hansen. El enfoque permite un análisis de las heridas para evaluar su tamaño y forma al ejecutar la tarea de segmentación binaria. Por otro lado, un conjunto de datos anonimizado adquirido de pacientes de Hansen es presentado. El método propuesto presenta una mejora respecto a los trabajos del estado del arte, obteniendo un puntaje de 82.1 % en la métrica de valor-f1.
MÉTODO DE APRENDIZAJE PROFUNDO SEMISUPERVISADO PARA LA REDUCCIÓN DE FALSOS POSITIVOS , RELACIONADOS CON MITOSIS, EN SECUENCIAS HISTOPATOLÓGICAS.
(Universidad Industrial de Santander, 2022-09-07) Castro Duitama, Santiago Andrés; Martínez Carrillo, Fabio; Romo Bucheli, David Edmundo; González Gómez, Andrés Leonardo; Bacca Quintero, Jorge Luis
El cáncer de mama es la principal causa de muerte por cáncer en las mujeres de todo el mundo. La detección, el conteo y la caracterización de la mitosis es uno de los biomarcadores más predominantes de la enfermedad que permite diagnosticar y cuantificar la agresividad del cáncer y estimar el pronóstico. Sin embargo, la localización de la mitosis sigue siendo un desafío, inclusive para expertos patólogos, donde se reporta una variabilidad interobservador de hasta el 20%, con típicas confusiones entre células sanas y apoptóticas. En la literatura se han propuesto estrategias computacionales para apoyar y soportar la tarea de la detección de mitosis, con resultados destacables por las representaciones profundas que permiten abarcar una amplia variabilidad visual de las células mitóticas, en tareas discriminativas. Estas estrategias, sin embargo, siguen siendo dependientes de un amplio número de observaciones etiquetadas, las texturas observadas en datasets específicos, lo cual puede limitar la representación y sesgar la clasificación. Además, muchas de las estrategias propuestas incurren en un tiempo de estimación exagerado, lo cual puede limitar su implementación en ambientes reales. Este trabajo introduce un esquema semi-supervisado que aprende a localizar patrones mitóticos partiendo de un conjunto limitado de datos. En una etapa inicial, la representación es utilizada para identificar falsos patrones mitóticos, que complementan la representación y permiten propagar pseudo-etiquetas, con su valor de probabilidad en el restante conjunto de entrenamiento. Las muestras falsas positivas y falsas negativas resultantes, se consideran aquí más desafiantes y provechosas para el ajuste de la representación. El enfoque propuesto fue validado con el conjunto de datos público ICPR, logrando resultados competitivos de 0,74 de precisión y 0,78 de sensitividad. Además, el enfoque propuesto logra un tiempo medio de inferencia de 5.21 segundos (en un lote de 240), mientras que otros enfoques tardan un promedio de 30 minutos.
Metodología de clasificación en imágenes espectrales a partir del uso de redes neuronales en un sistema con múltiples vistas angulares
(Universidad Industrial de Santander, 2022-03-30) Córdoba Carrero, Junior Alejandro; Márquez Castellanos, Miguel Ángel; Argüello Fuentes, Henry; Bautista Rozo, Lola Xiomara; Bacca Quintero, Jorge Luis
La clasificación se ha convertido en una herramienta indispensable en áreas comerciales como de la investigación al ser usada en el reconocimiento de objetivos y la interpretación de imágenes, más aún al usar información espectral, porque el comportamiento de la reflectancia a diferentes frecuencias electromagnéticas es característico de cada material, siendo posible identificarlos y analizarlos usando procesamiento de imágenes. Las SI son capturadas mediante sistemas ópticos, estos permiten obtener imágenes espectrales con una alta resolución espectral, pero su uso se ve limitado a escenarios donde los objetos poseen poco o nulo movimiento y su adquisición requiere altas capacidades de almacenamiento y de transmisión de datos. Para solucionar estos problemas, surge el muestreo compresivo espectral, que establece que es posible estimar la información espectral de una escena a partir de menos proyecciones que las requeridas por los sistemas ópticos tradicionales. A pesar de que estas técnicas permiten solucionar problemas de almacenamiento, transferencia de información, altos tiempos de adquisición, entre otros, tienen como desventaja la degradación de la información espacial. Para mejorar la calidad de reconstrucción y de clasificación se usan algunos métodos tradicionales para la dquisición de multiples imágenes como son el barrido por fila espectral, pixel por pixel y por banda espectral, se han modificado los sistemas ópticos a su vez de desarrollar e implementar aplicaciones y algoritmos basados en técnicas de DL con pocas proyecciones. En este trabajo se propone el estudio de un sistema compresivo óptico computacional que permite mejorar las tareas de clasificación a partir de una única medida comprimida la cual se obtiene mediante un arreglo de lentes y de una red neuronal basada en aprendizaje profundo.
MODELO ESPACIO-TEMPORAL PARA LA PREDICCIÓN DE DELITOS BASADO EN APRENDIZAJE AUTOMÁTICO
(Universidad Industrial de Santander, 2024-11-07) Pérez Leal, Juan Pablo; Ríos Gutiérrez, Andrés Sebastián; Romo Bucheli, David Edmundo; Bacca Quintero, Jorge Luis; Rueda Chacón, Hoover Fabián
Este trabajo se centra en predecir patrones delictivos de robos a peatones en Bucaramanga, Colombia, usando datos de la Alcaldía disponibles en la plataforma de Datos Abiertos. Para el análisis, se desarrollaron modelos ARIMA y redes neuronales recurrentes (RNN) y de gran memoria a corto plazo (LSTM), junto con modelos espacio-temporales (STNN) que incorporan información geográfica de las comunas. Los resultados muestran que los modelos RNN y LSTM superan a ARIMA en la predicción de robos, mientras que los modelos STNN capturan tendencias generales, aunque con limitaciones para identificar cambios abruptos en las tendencias. La precisión de los modelos se evaluó con el Error Cuadrático Medio Raíz (RMSE), y se utilizaron técnicas de ventaneo temporal y normalización para mejorar su rendimiento. Estos hallazgos pueden ayudar a optimizar recursos y estrategias de seguridad pública en Bucaramanga, además de ofrecer un marco adaptable a otras ciudades. La investigación aporta bases para futuros estudios sobre predicción delictiva y modelos con variables espacio-temporales.
Representaciones latentes de tomografías computarizadas para la detección de anomalías relacionadas con neumonía y COVID-19
(Universidad Industrial de Santander, 2023-05-16) Moreno Ríos, Juan Pablo; Martínez Carrillo, Fabio; Rueda Chacón, Hoover Fabian; Bacca Quintero, Jorge Luis
Las neumonías bacterianas, virales, y las causadas por el COVID-19 pueden ser caracterizadas mediante la observación e identificación de hallazgos radiológicos en estudios de tomografías computarizadas (CT, por sus siglas en ingles). Estos hallazgos visuales permiten entre otros la valoración, estratificación de la enfermedad y el seguimiento del paciente. No obstante, este análisis es principalmente observacional, sujeto a la experticia de los radiólogos, lo que conduce a sesgos en el diagnóstico y una consecuente baja especificidad (hasta un 33 % ha sido reportado). Los modelos de aprendizaje profundo han emergido como herramientas claves para apoyar tareas relacionadas con la detección y clasificación y diagnóstico, soportado en la codificación de patrones visuales. Estos modelos, sin embargo, son ajustados bajo esquemas de aprendizaje de muestras de los datos que sean significativas, balanceadas, y estratificadas, con el fin de lograr exitosamente la tarea de modelado. Además su carácter típicamente supervisado puede introducir sesgos relacionados con el aprendizaje particular de las muestras etiquetadas. En este trabajo se propuso un esquema no auto-supervisado que bajo un esquema variacional profundo, es capaz de codificar patrones radiológicos para discriminar entre diferentes neumonias y la clase control. Primero, en el trabajo se ajusto una arquitectura de autoencoder variacional siguiendo una tarea de pretexto relacionada con la construcción. Desde el espacio embebido variacional, se lograron construir descriptores embebidos que en un espacio latente tienen una capacidad de discriminación lineal entre las clases. El método propuesto fue evaluado sobre un estudio retrospectivo de estudios CT que corresponden a 996 pacientes clasificados bajo 3 grupos de datos: Control, COVID-19, y Neumonía. En la tarea de clasificación, el método propuesto logró una sensibilidad del 100 %, y especificidad del 98 % y 95 % para COVID-19 y neumonías típicas respectivamente, evidenciando una clara distinción entre estos tres grupos.
SEGMENTACIÓN AUTOMÁTICA DE PLEXO BRAQUIAL PARA FACILITAR EL BLOQUEO ECO DIRIGIDO UTILIZANDO REDES NEURONALES CONVOLUCIONALES
(Universidad Industrial de Santander, 2022-09-08) Ramírez Triana, Nicolás Mauricio; Bautista Rozo, Lola Xiomara; Bacca Quintero, Jorge Luis; Galvis Carreño, Laura Viviana
El plexo braquial es una estructura nerviosa situada en el hombro, la cual transporta señales sensoriales y de movimiento desde la médula espinal hasta los brazos y las manos. El bloqueo del plexo braquial es el método anestésico más utilizado en las intervenciones quirúrgicas de los miembros superiores, el cual consiste en realizar una punción con una aguja especializada en el hombro del paciente hacia la sección del plexo que transportará la anestesia hacia el área deseada. Mediante el uso de imágenes de ultrasonido, los profesionales capacitados pueden realizar el procedimiento de bloqueo eco dirigido del plexo braquial, que consiste en observar la dirección y posición de la aguja con un ecógrafo a medida que esta se introduce. Sin embargo, la identificación y localización del plexo braquial mediante el ecógrafo presenta una dificultad considerable debido al ruido presente en las imágenes de ultrasonido, lo que puede implicar complicaciones en la salud del paciente en caso de realizarse de manera incorrecta. Las redes neuronales convolucionales podrían facilitar este procedimiento proporcionando una identificación y segmentación automática de la región de interés. Utilizando el conjunto de datos proporcionado por la competencia pública Ültrasound Nerve Segmentation", se implementó una arquitectura de redes neuronales convolucionales denominada U-net. La red neuronal implementada localiza y segmenta automáticamente el plexo braquial en el conjunto de datos mencionado. El modelo alcanza una puntuación de coeficiente de dados DSC=0,86 lo que permite concluir que el método propuesto localiza y segmenta satisfactoriamente el plexo braquial. Dichos resultados están en línea con otros trabajos de aprendizaje profundo, lo que sugiere que las redes neuronales convolucionales (CNN) podrían facilitar el procedimiento de bloqueo eco dirigido del plexo braquial.
Segmentación de materiales a partir de imágenes RGB usando arquitecturas de transformadores de visión e integración de información multiespectral
(Universidad Industrial de Santander, 2024-11-12) Perez Perez, Nelson Fabian; Rueda Chacón, Hoover Fabián; Monroy Chaparro, Brayan Esneider; Bacca Quintero, Jorge Luis; Galvis Carreño, Laura Viviana
La segmentación de materiales en imágenes RGB es una tarea desafiante debido a la complejidad de las texturas y la variabilidad de las condiciones de iluminación de los materiales. Aunque la información espectral puede mejorar significativamente esta tarea, su uso está limitado por la escasez de sensores espectrales en aplicaciones del mundo real. En este trabajo, presentamos un novedoso enfoque que integra eficientemente información espectral en un modelo de segmentación basado en transformers, manteniendo la capacidad de operar solo con imágenes RGB durante la inferencia. Nuestro modulo propuesto, denominado Adaptive Spectral Prompt (ASP), incorpora prompts espectrales adaptativos que se ajustan dinámicamente durante el entrenamiento, permitiendo al modelo aprovechar la riqueza de la información espectral sin depender de ella en la inferencia. Ademas, implementamos una estrategia de modality dropout para mejorar la robustez del modelo ante la ausencia de datos espectrales. Evaluamos exhaustivamente nuestro método en el dataset LIB-HSI, logrando un rendimiento significativo, con una precisión del 88.36% y un IoU promedio por clase de 53.28%, superando significativamente a los métodos existentes. Nuestros experimentos demuestran la eficacia de ASP para integrar información multimodal de manera eficiente, mejorando la segmentación de materiales incluso en escenarios con modalidad faltante.

Browse

Browsing Ingeniería de Sistemas by browse.metadata.evaluator "Bacca Quintero, Jorge Luis"

Results Per Page

Sort Options