Segmentación automática de la aorta abdominal en tomografías computarizadas cardíacas usando aprendizaje profundo

Simple item page
dc.contributor.advisorBautista Rozo, Lola Xiomara
dc.contributor.advisorBautista Rojas, Luis Eduardo
dc.contributor.authorRozo Quintana, Liceth Yaneth
dc.contributor.evaluatorMartínez Carrillo, Fabio
dc.contributor.evaluatorGonzález Gómez, Andrés Leonardo
dc.date.accessioned2022-04-06T15:31:42Z
dc.date.available2022-04-06T15:31:42Z
dc.date.created2022-03-29
dc.date.embargoEnd2022-03-29
dc.date.issued2022-03-29
dc.description.abstractLa imagenología es una herramienta de apoyo diagnóstica bastante útil en el campo de la medicina, en particular, las Tomografías Computarizadas brindaron la posibilidad de explorar el cuerpo humano de manera no invasiva, pero el proceso de adquisición de las mismas las hace susceptibles al ruido ocasionado por múltiples factores, además que la composición de diversos elementos y tejidos hace difícil la identificación de los mismos, por lo tanto, es necesario segmentar las imágenes para aislar los diferentes componentes, pero este proceso usualmente es un proceso exhaustivo. La automatización de tareas, como por ejemplo, la identificación de patrones, es transversal a todas las áreas del conocimiento, la medicina no es ajena a ello. El propósito de este trabajo de grado es aplicar métodos basados en técnicas de aprendizaje profundo para automatizar el proceso de segmentación de imágenes de tomografías computarizadas del área abdominal, dado que los métodos tradicionales son altamente dependientes de la intervención humana. Principalmente se aprovecharon dos tipos de arquitecturas, las U-Net y las Seg-Net. Donde el coeficiente de Dice para el entrenamiento de la red U-Net implementada es del 97 % y 87 % en entrenamiento y validación respectivamente. Para la red Seg-Net implementada el coeficiente de Dice fue del 87 % y 82 % en entrenamiento y validación respectivamente. Permitiendo tener datos segmentados para la construcción de modelos tridimensionales.
dc.description.abstractenglishImaging is a very useful diagnostic support tool in the field of medicine, in particular, Computed Tomography offered the possibility of exploring the human body in a non-invasive way, but the process of acquiring them makes them susceptible to the noise caused by multiple factors, in addition to the composition of various elements and tissues making their identification difficult, therefore it is necessary to segment the images to isolate the different components, but this process is usually an exhaustive process. The automation of tasks, such as the identification of patterns, is transversal to all areas of knowledge, medicine is no stranger to it. The purpose of this degree work is to apply methods based on deep learning techniques to automate the segmentation process of computed tomography images of the abdominal area, given that traditional methods are highly dependent on human intervention. Mainly two types of architectures were used on this work, the U-Net and the Seg-Net. Where the Dice coefficient for the training of the implemented U-Net network is 97 % and 87 % in training and validation respectively. For the implemented Seg-Net network, the Dice coefficient was 87 % and 82 % in training and validation, respectively. Allowing to have segmented data for the construction of three-dimensional models.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/9719
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectSegmentación semántica
dc.subjectaprendizaje profundo
dc.subjectaorta
dc.subjecttomografías computarizadas
dc.subjectprocesamiento de imágenes
dc.subject.keywordSegmentation
dc.subject.keywordComputed Tomography (CT)
dc.subject.keywordImage processing
dc.subject.keywordImage analysis
dc.subject.keywordDeep Representations
dc.subject.keywordaorta
dc.titleSegmentación automática de la aorta abdominal en tomografías computarizadas cardíacas usando aprendizaje profundo
dc.title.englishAutomatic segmentation of the abdominal aorta in cardiac computerized tomographies using deep learning
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
Documento.pdf
Size:
5.23 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
141.22 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
425.29 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería de Sistemas