Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas

La neurocisticercosis, una enfermedad parasitaria que afecta tanto a los cerdos como a los humanos, representa un desafío significativo para la salud pública al comprometer el sistema nervioso central. La fibrosis, una secuela común de esta enfermedad, puede desencadenar daños neurológicos considera...

Full description

Autores:
López López, Maria Camila
Herrán Ríos, Darwin Stiven
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2024
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4513
Acceso en línea:
https://hdl.handle.net/20.500.12313/4513
Palabra clave:
Fibrosis - Detección
Neurocisticercosis
Fibrosis - Detección - Procesamiento de imágenes
Neurocisticercosis
Fibrosis
Segmentación
Coeficiente Dice
Validación cruzada
Red neuronal convolucional
Aprendizaje de máquina
Neurocysticercosis
Fibrosis
Segmentation
Dice coefficient
Cross-validation
Convolutional neural network
Machine learning
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_9dd6024c38e6adaa9497e98d46e59f04
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4513
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas
title Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas
spellingShingle Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas
Fibrosis - Detección
Neurocisticercosis
Fibrosis - Detección - Procesamiento de imágenes
Neurocisticercosis
Fibrosis
Segmentación
Coeficiente Dice
Validación cruzada
Red neuronal convolucional
Aprendizaje de máquina
Neurocysticercosis
Fibrosis
Segmentation
Dice coefficient
Cross-validation
Convolutional neural network
Machine learning
title_short Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas
title_full Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas
title_fullStr Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas
title_full_unstemmed Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas
title_sort Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas
dc.creator.fl_str_mv López López, Maria Camila
Herrán Ríos, Darwin Stiven
dc.contributor.advisor.none.fl_str_mv Forero Vargas, Manuel Guillermo
dc.contributor.author.none.fl_str_mv López López, Maria Camila
Herrán Ríos, Darwin Stiven
dc.contributor.jury.none.fl_str_mv Betancourt Lozano, Juan Jose
dc.subject.armarc.none.fl_str_mv Fibrosis - Detección
Neurocisticercosis
Fibrosis - Detección - Procesamiento de imágenes
topic Fibrosis - Detección
Neurocisticercosis
Fibrosis - Detección - Procesamiento de imágenes
Neurocisticercosis
Fibrosis
Segmentación
Coeficiente Dice
Validación cruzada
Red neuronal convolucional
Aprendizaje de máquina
Neurocysticercosis
Fibrosis
Segmentation
Dice coefficient
Cross-validation
Convolutional neural network
Machine learning
dc.subject.proposal.spa.fl_str_mv Neurocisticercosis
Fibrosis
Segmentación
Coeficiente Dice
Validación cruzada
Red neuronal convolucional
Aprendizaje de máquina
dc.subject.proposal.eng.fl_str_mv Neurocysticercosis
Fibrosis
Segmentation
Dice coefficient
Cross-validation
Convolutional neural network
Machine learning
description La neurocisticercosis, una enfermedad parasitaria que afecta tanto a los cerdos como a los humanos, representa un desafío significativo para la salud pública al comprometer el sistema nervioso central. La fibrosis, una secuela común de esta enfermedad, puede desencadenar daños neurológicos considerables. Este proyecto propone un método automatizado para la detección y segmentación de fibrosis en tejido cerebral porcino, con el objetivo de facilitar la investigación en el desarrollo de nuevos tratamientos y avances para la enfermedad. El método se basa en técnicas de procesamiento digital de imágenes y aprendizaje automático. Específicamente, se utilizan modelos de segmentación semántica con diversas arquitecturas neuronales para lograr una detección precisa y eficiente. El rendimiento de las arquitecturas se evalúa mediante diversas métricas. Finalmente, se realiza un análisis exhaustivo de la robustez y la capacidad de generalización del método mediante experimentos rigurosos. Este enfoque tiene como objetivo facilitar la investigación para el desarrollo de nuevos medicamentos y avances en el tratamiento de la neurocisticercosis. Los objetivos del proyecto incluyen la recopilación de datos, el desarrollo de algoritmos y su implementación para identificar y clasificar la fibrosis, así como la evaluación del rendimiento del sistema propuesto.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-10-31T15:10:19Z
dc.date.available.none.fl_str_mv 2024-10-31T15:10:19Z
dc.date.issued.none.fl_str_mv 2024
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv López López, M.C. & Herrán Ríos, D.S. (2024). Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4513
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4513
identifier_str_mv López López, M.C. & Herrán Ríos, D.S. (2024). Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4513
url https://hdl.handle.net/20.500.12313/4513
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Organización Panamericana de la Salud, «Directrices de la OMS sobre el manejo clínico de la por Taenia solium,» 2022. [En línea]. [Último acceso: 2024].
C. Butala, T. M. Brook, A. O. Majekodunmi y S. C. Welburn, «Neurocysticercosis: Current Perspectives on Diagnosis and Management,» Front. Vet. Sci., vol. 8, nº 615703, 2021.
W. H. Organization, «Taeniasis/Cysticercosis,» 22 Octubre 2023. [En línea]. Available: https://www.who.int/news-room/fact-sheets/detail/taeniasis-cysticercosis. [Último acceso: 2024].
L. Imirizaldu, L. Miranda, I. Garcia-Gaturbay, I. Gastón, J. Urriza y P. Quesada, «Neurocisticercosis: Una enfermedad emergente,» [En línea]. Available: https://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1137-66272004000300005. [Último acceso: 2024].
J. Corbella, «Descubren Cómo frenar la fibrosis, una de las claves del envejecimiento,» La Vanguardia, 24 Abril 2024. [En línea]. Available: https://www.lavanguardia.com/ciencia/20240424/9601790/descubren-como-frenar-fibrosis-claves-envejecimiento.html. [Último acceso: 2024].
MedlinePlus, «Fibrosis Quística,» MedlinePlus enciclopedia médica, [En línea]. Available: https://medlineplus.gov/spanish/ency/article/000107.htm.. [Último acceso: 2024].
MATLAB y Simulink, «Procesamiento de imágenes digitales,» [En línea]. Available: https://la.mathworks.com/discovery/digital-image-processing.html. [Último acceso: 2024].
M. Forero, «Introducción al procesamiento digital de imágenes,» La Silueta Ediciones Ltda, Bogota, 2002.
A. Moreno, E. Armengol, J. Béjar Alonso, L. A. Belanche Muñoz, C. U. Cortés García, R. Galvadá, J. M. Gimeno, M. Martin Muñoz y M. Sánchez-Marré, «Aprendizaje automatico,» 1994.
J. P. Velasco, «Modelos de segmentación: clave para adelantarse a situaciones no deseadas en un negocio,» 3 Octubre 2023. [En línea]. Available: https://enzyme.biz/blog/modelos-de-segmentacion-clave-para-adelantarse-a-situaciones-no-deseadas-en-un-negocio. [Último acceso: 2024].
MATLAB y Simulink, «Segmentación Semantica,» Mathworks, [En línea]. Available: https://es.mathworks.com/solutions/image-video-processing/semantic-segmentation.html.. [Último acceso: 2024].
LinkedIn, «¿Cuáles son las técnicas más efectivas para la validación cruzada en el aprendizaje automático?,» 13 Marzo 2024. [En línea]. Available: https://www.linkedin.com/advice/1/what-most-effective-techniques-cross-validation-h35ye?lang=es&originalSubdomain=es. [Último acceso: 2024].
R. Alberto, «Funciones de error con Entropia: Cross Entropy y Binary Cross Entropy,» Medium, 5 Enero 2022. [En línea]. Available: https://rubialesalberto.medium.com/funciones-de-error-con-entropia-cross-entropy-y-binary-cross-entropy-8df8442cdf35.
D. P. Kingma y J. L. Ba, «Adam: A method for stochastic optimization, International Conference on Learning Representations,» 2015.
F. Parra, «6 Métodos de clasificación,» Estadistica y Machine Learning con R, [En línea]. Available: https://bookdown.org/content/2274/metodos-de-clasificacion.html.
C. P. P. Paredes, «Universidad Nacional de Loja,» 5 Noviembre 2018. [En línea]. Available: https://dspace.unl.edu.ec/jspui/bitstream/123456789/22360/1/Pereira%20Paredes,%20Carlos%20Patricio.pdf. [Último acceso: 2024].
J. A. Rodrigo, «Análisis de Componentes Principales y t-SNE,» [En línea]. Available: https://cienciadedatos.net/documentos/35_principal_component_analysis. [Último acceso: Agosto 2024].
J. M. Hidalgo, J. Chamorro, J. M. Palomares, J. C. Gámez y J. Olivares, «Aplicación de PCA y técnicas bayesianas a la clasificación de píxeles basada en color - Revistas Electronicas UJAEN,» 2013. [En línea]. Available: https://revistaselectronicas.ujaen.es/index.php/ininv/article/view/1211. [Último acceso: 2024].
IBM, «¿Qué es un árbol de decisión?,» [En línea]. Available: https://www.ibm.com/es-es/topics/decision-trees. [Último acceso: 2024].
L. Gonzalez, «Aprendizaje supervisado: random forest classification - Aprende IA,» 2 Septiembre 2022. [En línea]. Available: https://aprendeia.com/aprendizaje-supervisado-random-forest-classification/. [Último acceso: 2024].
M. Y. Simulink, «AdaBoost,» [En línea]. Available: https://la.mathworks.com/discovery/adaboost.html.
J. P. Gutierrez, «XGBoost: El Caballo de Batalla de la Ciencia de Datos para Modelos Precisos,» 3 Mayo 2023. [En línea]. Available: https://www.linkedin.com/pulse/xgboost-el-caballo-de-batalla-la-ciencia-datos-para-pompas-guti%C3%A9rrez/. [Último acceso: 2024].
AWS, «¿Qué es una red neuronal? - Explicación de las redes neuronales artificiales,» 6 Septiembre 2023. [En línea]. Available: https://aws.amazon.com/es/what-is/neural-network/. [Último acceso: 2024].
MATLAB y Simulink, «¿Qué son las redes neuronales convolucionales? 3 cosas que debe saber,» [En línea]. Available: https://la.mathworks.com/discovery/convolutional-neural-network.html. . [Último acceso: 2024}].
Daniel, «U-NET : todo lo que tienes que saber sobre la red neuronal de Computer Vision,» 2023 Octubre 2023. [En línea]. Available: https://datascientest.com/es/u-net-lo-que-tienes-que-saber. [Último acceso: 2024].
M. F. A. a. al, «IRv2-Net: A Deep Learning Framework for Enhanced Polyp Segmentation Performance Integrating InceptionResNetV2 and UNet Architecture with Test Time Augmentation Techniques,» Sensors, vol. 23, nº 18, p. 7724, 2023.
Iván, «Conoce todo sobre el Dropout en redes neuronales,» García-Ferreura, 25 Junio 2022. [En línea]. Available: https://www.garcia-ferreira.es/conoce-todo-sobre-el-dropout/. [Último acceso: 2024].
S. I. a. C. Szegedy, «Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,» 32nd International Conference on Machine Learning, ICML, vol. 1, pp. 448 - 456, 2015.
L. C. Chen, G. Papandreou, F. Schroff y H. Adam, «Rethinking Atrous Convolution for Semantic Image Segmentation».
Cidificacion Bits, «La función de activación,» [En línea]. Available: https://www.codificandobits.com/blog/funcion-de-activacion/. [Último acceso: 2024].
S. R. Dubey, S. K. Singh y B. B. Chaudhuri, «Activation functions in deep learning: A comprehensive survey and benchmark. Neurocomputing,» 2022.
A. Bonnet, «How to Fine-Tune segment anything,» Encord, 21 Junio 2024. [En línea]. Available: https://encord.com/blog/learn-how-to-fine-tune-the-segment-anything-model-sam/. [Último acceso: 2024].
A. Kirillov, E. Mintun, N. Ravi, H. Mao, C. Rolland, L. Gustafson, T. Xiao, S. Whitehead, A. C. Berg, W. Y. Lo, P. Dollar y R. Girshick, «Segment Anuthing - Arvix,» 5 Abril 2023. [En línea]. Available: https://arxiv.org/pdf/2304.02643. [Último acceso: 2024].
«https://www.linkedin.com/advice/0/what-advantages-disadvantages-using-cross-entropy?lang=es&originalSubdomain=es,» 1 Septiembre 2023. [En línea]. Available: www.linkedin.com/advice/0/what-advantages-disadvantages-using-cross-entropy?lang=es&originalSubdomain=es. [Último acceso: 2024].
R. Diaz, «Métricas de clasificación,» The Machine Learners, [En línea]. Available: www.themachinelearners.com/metricas-de-clasificacion/#:~:text=La%20m%C3%A9trica%20accuracy%20representa%20el,clasificados%2C%20tanto%20positivos%20como%20negativos.&text=Es%20recomendable%20utilizar%20esta%20m%C3%A9trica,n%C3%BAmero%20de%201s%20y%200s.
H. Rezatofighi, N. Tsoi, J. Gwak, A. Sadeghian, I. Reid y S. Savarese, «Intersección generalizada sobre unión: una métrica y una pérdida para la regresión del cuadro delimitador,» 2019. [En línea].
WikiWand, «Coeficiente de Sorensen-Dice,» [En línea]. Available: https://www.wikiwand.com/es/Coeficiente_de_Sorensen-Dice. [Último acceso: 2024].
MATLAB dice, «Coeficiente de similitud de Sørensen-Dice para segmentación de imágenes,» MathWorks America Latina, [En línea]. Available: https://la.mathworks.com/help/images/ref/dice.html.
e. a. C. Charter, «Neurocisticercosis,» Acta Neurol Colomb, vol. 25, nº 1, 2009.
G. Pradilla, «Cisticercosis: Clínica, diagnóstico y tratamiento,» Salud Uninorte, Barranquilla, vol. 3, nº 2, pp. 115 - 125, 1986.
L.-I. Escariz-Borrego, V. Chávez-Guerra, G. Bazurto Moreira, X. Farfán Zambrano y J. Cedeño Arteaga, «Diagnóstico Imagenológico de la Neurocisticercosis por Resonancia Magnética: Estudio de un caso,» FACSalud UNEMI, vol. 3, nº 4, pp. 13-18, 2019.
S. Sarria Estrada, L. Frascheri Verzelli, S. Siurana Montilva, C. Auger Acosta y A. Rovira Cañelas, «Neurocisticercosis. Hallazgos radiológicos,» RADIOLOGÍA, vol. 55, nº 2, pp. 130-141, 2013.
E. G. C. Rodas, «Análsis de la porosidad en aleación de aluminio (AlSi10Mg) mediante procesamiento de imágenes de tomografía,» Ibagué, 2024.
J. M. S. Naranjo, «Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas,» Universidad de Ibagué, Ibagué, 2023.
J. J. B. Lozano, «Detección de fibrosis aledaña a quistes producidos por neurocisticercosis mediante técnicas de procesamiento de imágenes,» Universidad de Ibagué, Ibagué, 2019.
P. G. Bretan, G. Yielding y E. Sverdrup, «Reply to Discussion on ‘A knowledge database of hanging-wall traps that are dependent on fault-rock seal,» Geological Society, London, Special Publication, Petroleum Geosci, vol. 27, nº 1, pp. 209-222, 2020.
R. Román Roldán, J. Martínez Aroza, J. F. Gómez Lopera, V. Barranco López y P. L. Luque Escamilla, «Detección de bordes y segmentación de imágenes texturadas y/o ruidosas - Informe acerca de la investigación llevada a cabo para el Proyecto de investigación TIC94-0535,» Mayo 1997. [En línea]. Available: https://www.ugr.es/~jmaroza/inves/97Rep.pdf. [Último acceso: 2024].
J. D. Smedsrud, P. H. Rielgler, M. A. Halvorsen, P. de Langue, T. Johansen, D. Johansen y H. D. Kvasirseg, «A segmented polyp dataset,» International Conference on Multimedia Modeling (MMM), pp. 451-462, 2020.
O. Russakosvsky, J. Deng, H. Su, S. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla y M. Bernstein, «Imagenet large scale visual recognition challenge,» Int. J. Comput, pp. 211-252, 2015.
Encord, «How To Fine-Tune Segment Anything,» 13 Abril 2023. [En línea]. Available: https://encord.com/blog/learn-how-to-fine-tune-the-segment-anything-model-sam/. [Último acceso: 2024].
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 83 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/4298405d-5da8-4f20-894f-3ea6b2b54c2c/download
https://repositorio.unibague.edu.co/bitstreams/ebe94423-b95c-42a7-a6ba-00144f525bf9/download
https://repositorio.unibague.edu.co/bitstreams/860fe360-1a24-49da-83bc-bb6caf7187db/download
https://repositorio.unibague.edu.co/bitstreams/10365c75-365f-4bc4-b215-df33bb50b40a/download
https://repositorio.unibague.edu.co/bitstreams/94904fa7-42e7-45e5-a4ce-9bb3f4b2fdc8/download
https://repositorio.unibague.edu.co/bitstreams/0018ff02-cfc2-4ed1-a43a-1856d5943a52/download
https://repositorio.unibague.edu.co/bitstreams/fa6a80cd-cc26-47d5-8039-fdbcc0f6d911/download
https://repositorio.unibague.edu.co/bitstreams/19eb42ba-489c-40d2-9f9e-b42aa871c81e/download
bitstream.checksum.fl_str_mv 7bb840eb6a1ee5d7f789478fa98ef331
ed0bb1fc01e208cc69ca8fecaba613ce
8811c22a389896e56ab79d1c6e92218a
2fa3e590786b9c0f3ceba1b9656b7ac3
8c8d71737c0c12eaf0d8dbc5aeef5e8b
b3052597b70dbe3c27b42f7f1f4801ac
34e2173af229ac2005fd23c40d9cc3e0
49df1e230708485b802b569ea5a432eb
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059954433130496
spelling Forero Vargas, Manuel Guillermo187e7d0d-8326-49bc-8824-d0c7660437b7-1López López, Maria Camila7b457cf7-c59c-4b3a-83a9-aacb972bbfcc-1Herrán Ríos, Darwin Stivend08b3832-e4ae-4479-bbbb-f3a938f9c9a4-1Betancourt Lozano, Juan Jose50eb60ae-3c42-40e5-8682-6b916fc768586002024-10-31T15:10:19Z2024-10-31T15:10:19Z2024La neurocisticercosis, una enfermedad parasitaria que afecta tanto a los cerdos como a los humanos, representa un desafío significativo para la salud pública al comprometer el sistema nervioso central. La fibrosis, una secuela común de esta enfermedad, puede desencadenar daños neurológicos considerables. Este proyecto propone un método automatizado para la detección y segmentación de fibrosis en tejido cerebral porcino, con el objetivo de facilitar la investigación en el desarrollo de nuevos tratamientos y avances para la enfermedad. El método se basa en técnicas de procesamiento digital de imágenes y aprendizaje automático. Específicamente, se utilizan modelos de segmentación semántica con diversas arquitecturas neuronales para lograr una detección precisa y eficiente. El rendimiento de las arquitecturas se evalúa mediante diversas métricas. Finalmente, se realiza un análisis exhaustivo de la robustez y la capacidad de generalización del método mediante experimentos rigurosos. Este enfoque tiene como objetivo facilitar la investigación para el desarrollo de nuevos medicamentos y avances en el tratamiento de la neurocisticercosis. Los objetivos del proyecto incluyen la recopilación de datos, el desarrollo de algoritmos y su implementación para identificar y clasificar la fibrosis, así como la evaluación del rendimiento del sistema propuesto.Neurocysticercosis, a parasitic disease that affects both pigs and humans, represents a significant public health challenge by compromising the central nervous system. Fibrosis, a common sequela of this disease, can trigger considerable neurological damage. This project proposes an automated method for the detection and segmentation of fibrosis in porcine brain tissue, with the aim of facilitating research into the development of new treatments and advances for the disease. The method is based on digital image processing and machine learning techniques. Specifically, semantic segmentation models with various neural architectures are used to achieve accurate and efficient detection, the performance of the architectures is evaluated by various metrics. Finally, a thorough analysis of the robustness and generalizability of the method is performed through rigorous experiments. This approach aims to facilitate research for the development of new drugs and advances in the treatment of neurocysticercosis. The project objectives include data collection, algorithm development and implementation to identify and classify fibrosis, and performance evaluation of the proposed system.PregradoIngeniero ElectrónicoLista de ecuaciones.....9 Lista de Figuras.....10 Lista de Tablas.....11 Lista de abreviaturas.....12 Introducción.....13 1. Objetivos.....15 1.1. Objetivo General.....15 1.2. Objetivos específicos.....15 2. Marco Teórico.....16 2.1. Neurocisticercosis.....16 2.2. Fibrosis.....16 2.3. Procesamiento de Imágenes....17 2.4. Data Augmentation.....18 2.5. Aprendizaje de máquinas...18 2.6. Modelos de segmentación.....19 2.6.1. Cross Validation Leave One Out.....19 2.6.2. Binary Cross Entropy.....20 2.6.3. Optimizador Adam....20 2.7. Métodos de clasificación....21 2.7.1. Bayesiano...21 2.7.2. PCA.....21 2.7.3. Bayesiano con PCA.....21 2.7.4. Árboles de decisión...22 2.7.5. Random Forest.....22 2.7.6. Adaptative Boost.....22 2.7.7. XGBoost ....22 2.10. Arquitecturas o técnicas de aprendizaje.....24 2.10.7. ASPP Atrous Spatial Pyramid Pooling ...29 2.11. Métricas para la evaluación del modelo.....30 2.11.1. Parámetro de pérdida binaria cruzada.....30 2.11.2. Parámetro de Precisión (Accuaracy).....31 2.11.3. Parámetro intersección sobre la unión. ...31 2.11.4. Coeficiente de Dice...31 3. Estado del arte.....33 4. Metodología.....36 4.1. Materiales.....36 4.2. Metodología y Desarrollo.....37 4.3. Creación de una interfaz gráfica.....56 5. Análisis de resultados.... 57 5.1. Tiempos de detección manual de la fibrosis comparados con los tiempos hechos en software.....57 5.2. Interfaz Gráfica ...58 6. Conclusiones y recomendaciones.....60 6.1. Conclusiones.....60 6.2. Recomendaciones ....61 6.3. Aportes.....61 Bibliografía.... 62 Anexos.....68 A1. Arquitecturas de los modelos de segmentación ....68 A2. Gráficas de los resultados de entrenamiento para cada modelo de segmentación.....71 A3. Tabla tiempos de entrenamiento de cada modelo de segmentación entrenado.....74 A4. Participación propuestas tecnológicas 4.0 (Semana de las TIC)....75 A5. Participación METIE 47 – 2023/B....76 A6. Participación MAPI3....81 A7. XXI Encuentro departamental de semilleros ...8383 páginasapplication/pdfLópez López, M.C. & Herrán Ríos, D.S. (2024). Detección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinas [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4513https://hdl.handle.net/20.500.12313/4513spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaOrganización Panamericana de la Salud, «Directrices de la OMS sobre el manejo clínico de la por Taenia solium,» 2022. [En línea]. [Último acceso: 2024].C. Butala, T. M. Brook, A. O. Majekodunmi y S. C. Welburn, «Neurocysticercosis: Current Perspectives on Diagnosis and Management,» Front. Vet. Sci., vol. 8, nº 615703, 2021.W. H. Organization, «Taeniasis/Cysticercosis,» 22 Octubre 2023. [En línea]. Available: https://www.who.int/news-room/fact-sheets/detail/taeniasis-cysticercosis. [Último acceso: 2024].L. Imirizaldu, L. Miranda, I. Garcia-Gaturbay, I. Gastón, J. Urriza y P. Quesada, «Neurocisticercosis: Una enfermedad emergente,» [En línea]. Available: https://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1137-66272004000300005. [Último acceso: 2024].J. Corbella, «Descubren Cómo frenar la fibrosis, una de las claves del envejecimiento,» La Vanguardia, 24 Abril 2024. [En línea]. Available: https://www.lavanguardia.com/ciencia/20240424/9601790/descubren-como-frenar-fibrosis-claves-envejecimiento.html. [Último acceso: 2024].MedlinePlus, «Fibrosis Quística,» MedlinePlus enciclopedia médica, [En línea]. Available: https://medlineplus.gov/spanish/ency/article/000107.htm.. [Último acceso: 2024].MATLAB y Simulink, «Procesamiento de imágenes digitales,» [En línea]. Available: https://la.mathworks.com/discovery/digital-image-processing.html. [Último acceso: 2024].M. Forero, «Introducción al procesamiento digital de imágenes,» La Silueta Ediciones Ltda, Bogota, 2002.A. Moreno, E. Armengol, J. Béjar Alonso, L. A. Belanche Muñoz, C. U. Cortés García, R. Galvadá, J. M. Gimeno, M. Martin Muñoz y M. Sánchez-Marré, «Aprendizaje automatico,» 1994.J. P. Velasco, «Modelos de segmentación: clave para adelantarse a situaciones no deseadas en un negocio,» 3 Octubre 2023. [En línea]. Available: https://enzyme.biz/blog/modelos-de-segmentacion-clave-para-adelantarse-a-situaciones-no-deseadas-en-un-negocio. [Último acceso: 2024].MATLAB y Simulink, «Segmentación Semantica,» Mathworks, [En línea]. Available: https://es.mathworks.com/solutions/image-video-processing/semantic-segmentation.html.. [Último acceso: 2024].LinkedIn, «¿Cuáles son las técnicas más efectivas para la validación cruzada en el aprendizaje automático?,» 13 Marzo 2024. [En línea]. Available: https://www.linkedin.com/advice/1/what-most-effective-techniques-cross-validation-h35ye?lang=es&originalSubdomain=es. [Último acceso: 2024].R. Alberto, «Funciones de error con Entropia: Cross Entropy y Binary Cross Entropy,» Medium, 5 Enero 2022. [En línea]. Available: https://rubialesalberto.medium.com/funciones-de-error-con-entropia-cross-entropy-y-binary-cross-entropy-8df8442cdf35.D. P. Kingma y J. L. Ba, «Adam: A method for stochastic optimization, International Conference on Learning Representations,» 2015.F. Parra, «6 Métodos de clasificación,» Estadistica y Machine Learning con R, [En línea]. Available: https://bookdown.org/content/2274/metodos-de-clasificacion.html.C. P. P. Paredes, «Universidad Nacional de Loja,» 5 Noviembre 2018. [En línea]. Available: https://dspace.unl.edu.ec/jspui/bitstream/123456789/22360/1/Pereira%20Paredes,%20Carlos%20Patricio.pdf. [Último acceso: 2024].J. A. Rodrigo, «Análisis de Componentes Principales y t-SNE,» [En línea]. Available: https://cienciadedatos.net/documentos/35_principal_component_analysis. [Último acceso: Agosto 2024].J. M. Hidalgo, J. Chamorro, J. M. Palomares, J. C. Gámez y J. Olivares, «Aplicación de PCA y técnicas bayesianas a la clasificación de píxeles basada en color - Revistas Electronicas UJAEN,» 2013. [En línea]. Available: https://revistaselectronicas.ujaen.es/index.php/ininv/article/view/1211. [Último acceso: 2024].IBM, «¿Qué es un árbol de decisión?,» [En línea]. Available: https://www.ibm.com/es-es/topics/decision-trees. [Último acceso: 2024].L. Gonzalez, «Aprendizaje supervisado: random forest classification - Aprende IA,» 2 Septiembre 2022. [En línea]. Available: https://aprendeia.com/aprendizaje-supervisado-random-forest-classification/. [Último acceso: 2024].M. Y. Simulink, «AdaBoost,» [En línea]. Available: https://la.mathworks.com/discovery/adaboost.html.J. P. Gutierrez, «XGBoost: El Caballo de Batalla de la Ciencia de Datos para Modelos Precisos,» 3 Mayo 2023. [En línea]. Available: https://www.linkedin.com/pulse/xgboost-el-caballo-de-batalla-la-ciencia-datos-para-pompas-guti%C3%A9rrez/. [Último acceso: 2024].AWS, «¿Qué es una red neuronal? - Explicación de las redes neuronales artificiales,» 6 Septiembre 2023. [En línea]. Available: https://aws.amazon.com/es/what-is/neural-network/. [Último acceso: 2024].MATLAB y Simulink, «¿Qué son las redes neuronales convolucionales? 3 cosas que debe saber,» [En línea]. Available: https://la.mathworks.com/discovery/convolutional-neural-network.html. . [Último acceso: 2024}].Daniel, «U-NET : todo lo que tienes que saber sobre la red neuronal de Computer Vision,» 2023 Octubre 2023. [En línea]. Available: https://datascientest.com/es/u-net-lo-que-tienes-que-saber. [Último acceso: 2024].M. F. A. a. al, «IRv2-Net: A Deep Learning Framework for Enhanced Polyp Segmentation Performance Integrating InceptionResNetV2 and UNet Architecture with Test Time Augmentation Techniques,» Sensors, vol. 23, nº 18, p. 7724, 2023.Iván, «Conoce todo sobre el Dropout en redes neuronales,» García-Ferreura, 25 Junio 2022. [En línea]. Available: https://www.garcia-ferreira.es/conoce-todo-sobre-el-dropout/. [Último acceso: 2024].S. I. a. C. Szegedy, «Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,» 32nd International Conference on Machine Learning, ICML, vol. 1, pp. 448 - 456, 2015.L. C. Chen, G. Papandreou, F. Schroff y H. Adam, «Rethinking Atrous Convolution for Semantic Image Segmentation».Cidificacion Bits, «La función de activación,» [En línea]. Available: https://www.codificandobits.com/blog/funcion-de-activacion/. [Último acceso: 2024].S. R. Dubey, S. K. Singh y B. B. Chaudhuri, «Activation functions in deep learning: A comprehensive survey and benchmark. Neurocomputing,» 2022.A. Bonnet, «How to Fine-Tune segment anything,» Encord, 21 Junio 2024. [En línea]. Available: https://encord.com/blog/learn-how-to-fine-tune-the-segment-anything-model-sam/. [Último acceso: 2024].A. Kirillov, E. Mintun, N. Ravi, H. Mao, C. Rolland, L. Gustafson, T. Xiao, S. Whitehead, A. C. Berg, W. Y. Lo, P. Dollar y R. Girshick, «Segment Anuthing - Arvix,» 5 Abril 2023. [En línea]. Available: https://arxiv.org/pdf/2304.02643. [Último acceso: 2024].«https://www.linkedin.com/advice/0/what-advantages-disadvantages-using-cross-entropy?lang=es&originalSubdomain=es,» 1 Septiembre 2023. [En línea]. Available: www.linkedin.com/advice/0/what-advantages-disadvantages-using-cross-entropy?lang=es&originalSubdomain=es. [Último acceso: 2024].R. Diaz, «Métricas de clasificación,» The Machine Learners, [En línea]. Available: www.themachinelearners.com/metricas-de-clasificacion/#:~:text=La%20m%C3%A9trica%20accuracy%20representa%20el,clasificados%2C%20tanto%20positivos%20como%20negativos.&text=Es%20recomendable%20utilizar%20esta%20m%C3%A9trica,n%C3%BAmero%20de%201s%20y%200s.H. Rezatofighi, N. Tsoi, J. Gwak, A. Sadeghian, I. Reid y S. Savarese, «Intersección generalizada sobre unión: una métrica y una pérdida para la regresión del cuadro delimitador,» 2019. [En línea].WikiWand, «Coeficiente de Sorensen-Dice,» [En línea]. Available: https://www.wikiwand.com/es/Coeficiente_de_Sorensen-Dice. [Último acceso: 2024].MATLAB dice, «Coeficiente de similitud de Sørensen-Dice para segmentación de imágenes,» MathWorks America Latina, [En línea]. Available: https://la.mathworks.com/help/images/ref/dice.html.e. a. C. Charter, «Neurocisticercosis,» Acta Neurol Colomb, vol. 25, nº 1, 2009.G. Pradilla, «Cisticercosis: Clínica, diagnóstico y tratamiento,» Salud Uninorte, Barranquilla, vol. 3, nº 2, pp. 115 - 125, 1986.L.-I. Escariz-Borrego, V. Chávez-Guerra, G. Bazurto Moreira, X. Farfán Zambrano y J. Cedeño Arteaga, «Diagnóstico Imagenológico de la Neurocisticercosis por Resonancia Magnética: Estudio de un caso,» FACSalud UNEMI, vol. 3, nº 4, pp. 13-18, 2019.S. Sarria Estrada, L. Frascheri Verzelli, S. Siurana Montilva, C. Auger Acosta y A. Rovira Cañelas, «Neurocisticercosis. Hallazgos radiológicos,» RADIOLOGÍA, vol. 55, nº 2, pp. 130-141, 2013.E. G. C. Rodas, «Análsis de la porosidad en aleación de aluminio (AlSi10Mg) mediante procesamiento de imágenes de tomografía,» Ibagué, 2024.J. M. S. Naranjo, «Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas,» Universidad de Ibagué, Ibagué, 2023.J. J. B. Lozano, «Detección de fibrosis aledaña a quistes producidos por neurocisticercosis mediante técnicas de procesamiento de imágenes,» Universidad de Ibagué, Ibagué, 2019.P. G. Bretan, G. Yielding y E. Sverdrup, «Reply to Discussion on ‘A knowledge database of hanging-wall traps that are dependent on fault-rock seal,» Geological Society, London, Special Publication, Petroleum Geosci, vol. 27, nº 1, pp. 209-222, 2020.R. Román Roldán, J. Martínez Aroza, J. F. Gómez Lopera, V. Barranco López y P. L. Luque Escamilla, «Detección de bordes y segmentación de imágenes texturadas y/o ruidosas - Informe acerca de la investigación llevada a cabo para el Proyecto de investigación TIC94-0535,» Mayo 1997. [En línea]. Available: https://www.ugr.es/~jmaroza/inves/97Rep.pdf. [Último acceso: 2024].J. D. Smedsrud, P. H. Rielgler, M. A. Halvorsen, P. de Langue, T. Johansen, D. Johansen y H. D. Kvasirseg, «A segmented polyp dataset,» International Conference on Multimedia Modeling (MMM), pp. 451-462, 2020.O. Russakosvsky, J. Deng, H. Su, S. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla y M. Bernstein, «Imagenet large scale visual recognition challenge,» Int. J. Comput, pp. 211-252, 2015.Encord, «How To Fine-Tune Segment Anything,» 13 Abril 2023. [En línea]. Available: https://encord.com/blog/learn-how-to-fine-tune-the-segment-anything-model-sam/. [Último acceso: 2024].info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Fibrosis - DetecciónNeurocisticercosisFibrosis - Detección - Procesamiento de imágenesNeurocisticercosisFibrosisSegmentaciónCoeficiente DiceValidación cruzadaRed neuronal convolucionalAprendizaje de máquinaNeurocysticercosisFibrosisSegmentationDice coefficientCross-validationConvolutional neural networkMachine learningDetección de fibrosis producida por neurocisticercosis mediante procesamiento de imágenes y aprendizaje de máquinasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf3971639https://repositorio.unibague.edu.co/bitstreams/4298405d-5da8-4f20-894f-3ea6b2b54c2c/download7bb840eb6a1ee5d7f789478fa98ef331MD51Anexos.zipAnexos.zipapplication/zip2337562https://repositorio.unibague.edu.co/bitstreams/ebe94423-b95c-42a7-a6ba-00144f525bf9/downloaded0bb1fc01e208cc69ca8fecaba613ceMD52Formato de autorización.pdfFormato de autorización.pdfapplication/pdf406411https://repositorio.unibague.edu.co/bitstreams/860fe360-1a24-49da-83bc-bb6caf7187db/download8811c22a389896e56ab79d1c6e92218aMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/10365c75-365f-4bc4-b215-df33bb50b40a/download2fa3e590786b9c0f3ceba1b9656b7ac3MD54TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101872https://repositorio.unibague.edu.co/bitstreams/94904fa7-42e7-45e5-a4ce-9bb3f4b2fdc8/download8c8d71737c0c12eaf0d8dbc5aeef5e8bMD59Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3278https://repositorio.unibague.edu.co/bitstreams/0018ff02-cfc2-4ed1-a43a-1856d5943a52/downloadb3052597b70dbe3c27b42f7f1f4801acMD511THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg11482https://repositorio.unibague.edu.co/bitstreams/fa6a80cd-cc26-47d5-8039-fdbcc0f6d911/download34e2173af229ac2005fd23c40d9cc3e0MD510Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg26192https://repositorio.unibague.edu.co/bitstreams/19eb42ba-489c-40d2-9f9e-b42aa871c81e/download49df1e230708485b802b569ea5a432ebMD51220.500.12313/4513oai:repositorio.unibague.edu.co:20.500.12313/45132025-08-13 01:03:18.962https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares