Detección automática de lesiones en EM usando técnicas de Machine Learning.
RESUMEN : La esclerosis múltiple (EM) es una enfermedad del sistema nervioso central que afecta a millones de personas en todo el mundo. Las lesiones de EM son áreas de daño en el cerebro y la médula espinal que causan una variedad de síntomas. El diagnóstico y la monitorización de la EM se basan en...
- Autores:
-
Cardona Osorio, Juan Esteban
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/38927
- Acceso en línea:
- https://hdl.handle.net/10495/38927
- Palabra clave:
- Esclerosis Múltiple
Multiple Sclerosis
Sistema Nervioso
Nervous System
Imagen por Resonancia Magnética
Magnetic Resonance Imaging
Aprendizaje automático (Inteligencia Artificial)
Machine learning
https://id.nlm.nih.gov/mesh/D009103
https://id.nlm.nih.gov/mesh/D009420
https://id.nlm.nih.gov/mesh/D008279
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-sa/4.0/
| id |
UDEA2_0ce8e3f6dc3eebae5a56ce9aa0e8946b |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/38927 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección automática de lesiones en EM usando técnicas de Machine Learning. |
| title |
Detección automática de lesiones en EM usando técnicas de Machine Learning. |
| spellingShingle |
Detección automática de lesiones en EM usando técnicas de Machine Learning. Esclerosis Múltiple Multiple Sclerosis Sistema Nervioso Nervous System Imagen por Resonancia Magnética Magnetic Resonance Imaging Aprendizaje automático (Inteligencia Artificial) Machine learning https://id.nlm.nih.gov/mesh/D009103 https://id.nlm.nih.gov/mesh/D009420 https://id.nlm.nih.gov/mesh/D008279 |
| title_short |
Detección automática de lesiones en EM usando técnicas de Machine Learning. |
| title_full |
Detección automática de lesiones en EM usando técnicas de Machine Learning. |
| title_fullStr |
Detección automática de lesiones en EM usando técnicas de Machine Learning. |
| title_full_unstemmed |
Detección automática de lesiones en EM usando técnicas de Machine Learning. |
| title_sort |
Detección automática de lesiones en EM usando técnicas de Machine Learning. |
| dc.creator.fl_str_mv |
Cardona Osorio, Juan Esteban |
| dc.contributor.advisor.none.fl_str_mv |
Ochoa Gómez, John Fredy Monsalve Cartagena, Laura |
| dc.contributor.author.none.fl_str_mv |
Cardona Osorio, Juan Esteban |
| dc.subject.decs.none.fl_str_mv |
Esclerosis Múltiple Multiple Sclerosis Sistema Nervioso Nervous System Imagen por Resonancia Magnética Magnetic Resonance Imaging |
| topic |
Esclerosis Múltiple Multiple Sclerosis Sistema Nervioso Nervous System Imagen por Resonancia Magnética Magnetic Resonance Imaging Aprendizaje automático (Inteligencia Artificial) Machine learning https://id.nlm.nih.gov/mesh/D009103 https://id.nlm.nih.gov/mesh/D009420 https://id.nlm.nih.gov/mesh/D008279 |
| dc.subject.lemb.none.fl_str_mv |
Aprendizaje automático (Inteligencia Artificial) Machine learning |
| dc.subject.meshuri.none.fl_str_mv |
https://id.nlm.nih.gov/mesh/D009103 https://id.nlm.nih.gov/mesh/D009420 https://id.nlm.nih.gov/mesh/D008279 |
| description |
RESUMEN : La esclerosis múltiple (EM) es una enfermedad del sistema nervioso central que afecta a millones de personas en todo el mundo. Las lesiones de EM son áreas de daño en el cerebro y la médula espinal que causan una variedad de síntomas. El diagnóstico y la monitorización de la EM se basan en imágenes de resonancia magnética. La segmentación de lesiones de EM es un proceso manual que requiere un alto nivel de experiencia. Los radiólogos deben identificar las lesiones en las imágenes de resonancia magnética y dibujar un contorno alrededor de cada lesión. Este proceso puede ser lento y laborioso, y es susceptible a errores. El sistema propuesto utiliza una red neuronal convolucional (CNN) para identificar las características de las lesiones de EM en las imágenes; se pueden entrenar con un conjunto de datos de imágenes etiquetadas, que contienen información sobre la ubicación y el tamaño de las lesiones. Entrenando el modelo nnUnet con la configuración Fulles hasta 50 épocas y con reconstrucciones del plano axial de secuencias Flair, T2 y T1 preprocesadas y registradas, se obtiene un coeficiente de Sorensen-Dice de 0.14 para la validación, el cual se logró incrementar a un 0.59 al utilizar la configuración 2D de nnUnet, aumentar el número de épocas a 150 y de utilizar 2060 cortes en el plano axial por lo que el modelo nnUnet es una herramienta prometedora para la segmentación de lesiones de EM puesto que el modelo mostró una sensibilidad del 69, 98% en el conjunto de datos de validación. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-04-05T21:22:05Z |
| dc.date.available.none.fl_str_mv |
2024-04-05T21:22:05Z |
| dc.date.issued.none.fl_str_mv |
2024 |
| dc.type.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/38927 |
| url |
https://hdl.handle.net/10495/38927 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
68 Páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería. Bioingeniería |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/0be320f8-1c17-4ba3-866c-840c3034ee4f/download https://bibliotecadigital.udea.edu.co/bitstreams/6baf8b5e-f788-433d-8f22-209718711d16/download https://bibliotecadigital.udea.edu.co/bitstreams/836cdfca-518e-47ac-96d9-bd731006bd98/download https://bibliotecadigital.udea.edu.co/bitstreams/95f5d0da-222c-4f84-8fee-ab8175811a36/download |
| bitstream.checksum.fl_str_mv |
8efe1327fccfb9c02a959d79ac0ba539 8a4605be74aa9ea9d79846c1fba20a33 12d1803bf471c9cf8b2f99caaa2df5c7 39ddd0ca0ff5afb9606e70bdd55fae00 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052456147943424 |
| spelling |
Ochoa Gómez, John FredyMonsalve Cartagena, LauraCardona Osorio, Juan Esteban2024-04-05T21:22:05Z2024-04-05T21:22:05Z2024https://hdl.handle.net/10495/38927RESUMEN : La esclerosis múltiple (EM) es una enfermedad del sistema nervioso central que afecta a millones de personas en todo el mundo. Las lesiones de EM son áreas de daño en el cerebro y la médula espinal que causan una variedad de síntomas. El diagnóstico y la monitorización de la EM se basan en imágenes de resonancia magnética. La segmentación de lesiones de EM es un proceso manual que requiere un alto nivel de experiencia. Los radiólogos deben identificar las lesiones en las imágenes de resonancia magnética y dibujar un contorno alrededor de cada lesión. Este proceso puede ser lento y laborioso, y es susceptible a errores. El sistema propuesto utiliza una red neuronal convolucional (CNN) para identificar las características de las lesiones de EM en las imágenes; se pueden entrenar con un conjunto de datos de imágenes etiquetadas, que contienen información sobre la ubicación y el tamaño de las lesiones. Entrenando el modelo nnUnet con la configuración Fulles hasta 50 épocas y con reconstrucciones del plano axial de secuencias Flair, T2 y T1 preprocesadas y registradas, se obtiene un coeficiente de Sorensen-Dice de 0.14 para la validación, el cual se logró incrementar a un 0.59 al utilizar la configuración 2D de nnUnet, aumentar el número de épocas a 150 y de utilizar 2060 cortes en el plano axial por lo que el modelo nnUnet es una herramienta prometedora para la segmentación de lesiones de EM puesto que el modelo mostró una sensibilidad del 69, 98% en el conjunto de datos de validación.ABSTRACT : Multiple sclerosis (MS) is a disease of the central nervous system that affects millions of people around the world. MS lesions are areas of damage in the brain and spinal cord that cause a variety of symptoms. Diagnosis and monitoring of MS is based on magnetic resonance imaging. EM lesion segmentation is a manual process that requires a high level of expertise. Radiologists must identify lesions on MRI images and draw an outline around each lesion. This process can be slow and laborious and is susceptible to errors. The proposed system uses a convolutional neural network (CNN) to identify the characteristics of MS lesions in images; They can be trained with a dataset of labeled images, which contain information about the location and size of lesions. By training the nnUnet model with the Fulles configuration up to 50 epochs and with reconstructions of the axial plane of preprocessed and registered Flair, T2 and T1 sequences, a Sorensen-Dice coefficient of 0.14 was obtained for validation, which was increased to 0.59 When using the 2D configuration of nnUnet, increase the number of epochs to 150 and use 2060 slices in the axial plane so the nnUnet model is a promising tool for segmentation of MS lesions since the model showed a sensitivity of 69 , 98% in the validation data set.PregradoBioingeniero68 Páginasapplication/pdfspaUniversidad de AntioquiaMedellín, ColombiaFacultad de Ingeniería. Bioingenieríahttps://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Detección automática de lesiones en EM usando técnicas de Machine Learning.Tesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/draftEsclerosis MúltipleMultiple SclerosisSistema NerviosoNervous SystemImagen por Resonancia MagnéticaMagnetic Resonance ImagingAprendizaje automático (Inteligencia Artificial)Machine learninghttps://id.nlm.nih.gov/mesh/D009103https://id.nlm.nih.gov/mesh/D009420https://id.nlm.nih.gov/mesh/D008279PublicationORIGINALCardonaJuan_2024_AutomatizacionEsclerosisMultile.pdfCardonaJuan_2024_AutomatizacionEsclerosisMultile.pdfTrabajo de grado de pregradoapplication/pdf1336949https://bibliotecadigital.udea.edu.co/bitstreams/0be320f8-1c17-4ba3-866c-840c3034ee4f/download8efe1327fccfb9c02a959d79ac0ba539MD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/6baf8b5e-f788-433d-8f22-209718711d16/download8a4605be74aa9ea9d79846c1fba20a33MD53falseAnonymousREADTEXTCardonaJuan_2024_AutomatizacionEsclerosisMultile.pdf.txtCardonaJuan_2024_AutomatizacionEsclerosisMultile.pdf.txtExtracted texttext/plain101207https://bibliotecadigital.udea.edu.co/bitstreams/836cdfca-518e-47ac-96d9-bd731006bd98/download12d1803bf471c9cf8b2f99caaa2df5c7MD54falseAnonymousREADTHUMBNAILCardonaJuan_2024_AutomatizacionEsclerosisMultile.pdf.jpgCardonaJuan_2024_AutomatizacionEsclerosisMultile.pdf.jpgGenerated Thumbnailimage/jpeg5874https://bibliotecadigital.udea.edu.co/bitstreams/95f5d0da-222c-4f84-8fee-ab8175811a36/download39ddd0ca0ff5afb9606e70bdd55fae00MD55falseAnonymousREAD10495/38927oai:bibliotecadigital.udea.edu.co:10495/389272025-03-26 22:37:35.685https://creativecommons.org/licenses/by-nc-sa/4.0/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |