Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19

Tras la pandemia de COVID-19, el uso de tomografías computarizadas (TC) para diagnosticar enfermedades respiratorias se ha vuelto más común. Sin embargo, con el propósito de cuidar la salud del paciente, se recomienda no tener largos tiempos de exposición, lo que puede llegar a generar imágenes con...

Full description

Autores:
Forero Manrique, Sharon Stefanny
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.umng.edu.co:10654/47510
Acceso en línea:
https://hdl.handle.net/10654/47510
Palabra clave:
IMAGENES MEDICAS - PROCESAMIENTO DIGITAL
REDUCCION DE RUIDO (PROCESAMIENTO DE IMAGENES)
APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL) - APLICACIONES EN MEDICINA
COVID-19 - DIAGNOSTICO POR IMAGENES
INTELIGENCIA ARTIFICIAL - APLICACIONES EN RADIOLOGIA
COVID -19
Tomografía computarizada
Ruido sal y pimienta
Ruido gaussiano
U-Net
Reducción de ruido en imágenes médicas
SSIM
PSNR
COVID-19
Computed tomography
Salt-and-pepper noise
Gaussian noise
U-Net
Medical image denoising
SSIM
PSNR
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIMILTAR2_55c46186f427169f1c57e667050b9599
oai_identifier_str oai:repository.umng.edu.co:10654/47510
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19
dc.title.eng.fl_str_mv Noise Reduction in Diagnostic Images Using Deep Learning: COVID-19 Case
title Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19
spellingShingle Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19
IMAGENES MEDICAS - PROCESAMIENTO DIGITAL
REDUCCION DE RUIDO (PROCESAMIENTO DE IMAGENES)
APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL) - APLICACIONES EN MEDICINA
COVID-19 - DIAGNOSTICO POR IMAGENES
INTELIGENCIA ARTIFICIAL - APLICACIONES EN RADIOLOGIA
COVID -19
Tomografía computarizada
Ruido sal y pimienta
Ruido gaussiano
U-Net
Reducción de ruido en imágenes médicas
SSIM
PSNR
COVID-19
Computed tomography
Salt-and-pepper noise
Gaussian noise
U-Net
Medical image denoising
SSIM
PSNR
title_short Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19
title_full Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19
title_fullStr Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19
title_full_unstemmed Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19
title_sort Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19
dc.creator.fl_str_mv Forero Manrique, Sharon Stefanny
dc.contributor.advisor.none.fl_str_mv Ballesteros Larrotta, Dora María
dc.contributor.author.none.fl_str_mv Forero Manrique, Sharon Stefanny
dc.contributor.other.none.fl_str_mv Renza Torres, Diego
dc.subject.lemb.spa.fl_str_mv IMAGENES MEDICAS - PROCESAMIENTO DIGITAL
REDUCCION DE RUIDO (PROCESAMIENTO DE IMAGENES)
APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL) - APLICACIONES EN MEDICINA
COVID-19 - DIAGNOSTICO POR IMAGENES
INTELIGENCIA ARTIFICIAL - APLICACIONES EN RADIOLOGIA
topic IMAGENES MEDICAS - PROCESAMIENTO DIGITAL
REDUCCION DE RUIDO (PROCESAMIENTO DE IMAGENES)
APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL) - APLICACIONES EN MEDICINA
COVID-19 - DIAGNOSTICO POR IMAGENES
INTELIGENCIA ARTIFICIAL - APLICACIONES EN RADIOLOGIA
COVID -19
Tomografía computarizada
Ruido sal y pimienta
Ruido gaussiano
U-Net
Reducción de ruido en imágenes médicas
SSIM
PSNR
COVID-19
Computed tomography
Salt-and-pepper noise
Gaussian noise
U-Net
Medical image denoising
SSIM
PSNR
dc.subject.proposal.spa.fl_str_mv COVID -19
Tomografía computarizada
Ruido sal y pimienta
Ruido gaussiano
U-Net
Reducción de ruido en imágenes médicas
SSIM
PSNR
dc.subject.proposal.eng.fl_str_mv COVID-19
Computed tomography
Salt-and-pepper noise
Gaussian noise
U-Net
Medical image denoising
SSIM
PSNR
description Tras la pandemia de COVID-19, el uso de tomografías computarizadas (TC) para diagnosticar enfermedades respiratorias se ha vuelto más común. Sin embargo, con el propósito de cuidar la salud del paciente, se recomienda no tener largos tiempos de exposición, lo que puede llegar a generar imágenes con apariencia de ruidosa. Por lo cual, se hace necesario mejorar la calidad de estas imágenes para facilitar el diagnóstico clínico por parte del especialista. Este proyecto se enfoca precisamente en proponer una solución (modelo de reducción de ruido) utilizado aprendizaje profundo, que permite mejorar la calidad de imágenes TC de COVID19, neumonía y de pacientes saludables. Para el entrenamiento y validación del modelo se utilizó un conjunto de imágenes disponibles en IEEE DataPort titulado COVID19, el cual consta de aproximadamente 1000 imágenes por cada una de las clases anteriormente mencionadas. A partir de este dataset, se seleccionaron aleatoriamente 100 imágenes por clase para generar imágenes ruidosas con dos tipos de ruido (gaussiano y salpimienta). Cada pareja de imágenes se utilizó en el entrenamiento de un autoencoder, específicamente con la arquitectura U-Net, obteniendo una imagen limpia a partir de la imagen ruidosa de entrada. Con el propósito de cuantificar el desempeño del modelo, se utilizaron dos métricas de evaluación: SSIM y PSNR. Para cada uno de los tipos de ruido se trabajaron con dos hiperparámetros en U-Net, uno correspondiente a la cantidad de filtros, y otro a la normalización de lotes. De acuerdo con los resultados, se encontró que el hiperparámetro de mayor impacto en la calidad de la imagen de salida corresponde a la cantidad de filtros: a mayor cantidad, mejor es la reducción de ruido en la imagen.
publishDate 2023
dc.date.issued.none.fl_str_mv 2023-11-28
dc.date.accessioned.none.fl_str_mv 2025-10-28T15:08:34Z
dc.date.available.none.fl_str_mv 2025-10-28T15:08:34Z
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10654/47510
dc.identifier.instname.spa.fl_str_mv instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.none.fl_str_mv repourl:https://repository.umng.edu.co
url https://hdl.handle.net/10654/47510
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.umng.edu.co
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Nuevo coronavirus 2019. (s.f.-b). World Health https://www.who.int/es/emergencies/diseases/novel-coronavirus Organization (WHO). 2019?gclid=CjwKCAjwseSoBhBXEiwA9iZtxt2De95Z6uO6ShQXXwyd0RLw1PTO10SzVAThxTFwmdTqpiUrjw BiJhoCIdUQAvD_BwE
Tomografía Computarizada (TC). (s.f.). National Institute of Biomedical Imaging and Bioengineering. https://www.nibib.nih.gov/espanol/temas-cientificos/tomografía-computarizada-tc
Efectos a largo plazo en la salud de la exposición a la radiación y la contaminación por radiación|CDC. (s.f.). Centers for Disease Prevention. https://www.cdc.gov/nceh/radiation/emergencies/es/cancer.htm Control IEEE DataPort. (s. f.). IEEE DataPort. https://ieee-dataport.org/documents/covid-19
What are Convolutional Neural Networks? | IBM. (s.f.). IBM in Deutschland, Österreich und der Schweiz | IBM. https://www.ibm.com/topics/convolutional-neural networks#Types+of+convolutional+neural+networks
Pachón, C. G., Ballesteros, D. M., & Renza, D. (2023a). An efficient deep learning model using network pruning for fake banknote recognition. Expert Systems with Applications, 233, 120961.
Chavarro, A. F., Renza, D., & Ballesteros, D. M. (2023). Influence of Hyperparameters in Deep Learning Models for Coffee Rust Detection. Applied Sciences, 13(7), 4565.
Tipos de capas de red neuronal convolucional. Bootcamps. https://keepcoding.io/blog/tipos-capas-red-neuronal-convolucional/ (s.f.). KeepCoding 59 Renza, D., & Ballesteros, D. (2023, September). Sp2PS: Pruning Score by Spectral and Spatial Evaluation of CAM Images. In Informatics (Vol. 10, No. 3, p. 72). MDPI.
Simplilearn. (2022, 30 de agosto). What are Autoencoders? Introduction to Autoencoders in Deep Learning | Simplilearn. Simplilearn.com. https://www.simplilearn.com/tutorials/deep-learning tutorial/what-are-autoencoders-in-deep learning#:~:text=An%20Autoencoder%20is%20a%20type,Decoder
Team, D. (2022, August 1). U-NET : todo lo que tienes que saber sobre la red neuronal de Computer Vision. Formation Data Science | DataScientest.com. https://datascientest.com/es/u-net-lo-que-tienes que-saber
Scarpiniti, M., Sarv Ahrabi, S., Baccarelli, E., Piazzo, L., & Momenzadeh, A. (2022). A novel unsupervised approach based on the hidden features of Deep Denoising Autoencoders for COVID-19 disease detection. Expert Systems https://doi.org/10.1016/j.eswa.2021.116366
Lee, S., Negishi, M., Urakubo, H., Kasai, H., & Ishii, S. (2020). Mu-net: Multi-scale U-net for two-photon microscopy image denoising and restoration. Neural Networks: The Official Journal of the International Neural Network Society, 125, 92–103. https://doi.org/10.1016/j.neunet.2020.01.026
Gurrola-Ramos, J., Dalmau, O., & Alarcón, T. (2022). U-Net based neural network for fringe pattern denoising. Optics and Lasers https://doi.org/10.1016/j.optlaseng.2021.106829 in Engineering, 149(106829), 106829.
Enríquez, A., & Sáenz, C. (s/f). Primeras lecciones y desafíos de la pandemia de COVID-19 para los países del SICA. Cepal.org. Recuperado el 2 de octubre de https://repositorio.cepal.org/server/api/core/bitstreams/8dd0856e-e8a6-470f-b864 38fbf96f8cd5/content 2023, de
Ramírez Giraldo, J. C., Arboleda Clavijo, C., & McCollough, C. H. (2008). TOMOGRAFÍA COMPUTARIZADA POR RAYOS X: FUNDAMENTOS Y ACTUALIDAD. Revista de ingenieria biomedica, 2(4), 54–66. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1909-97622008000200008
Informática, G. en I. (s/f). Tratamiento de imágenes con ruido impulsivo mediante reglas difusas y algoritmos genéticos. Unavarra.es. Recuperado el 2 de octubre de 2023, de https://academica e.unavarra.es/xmlui/bitstream/handle/2454/19033/MemoriaTFG- SergioSada.pdf?sequence=1&isAllowed=y
Brunet, D., Vrscay, E. R., & Wang, Z. (2012). On the mathematical properties of the structural similarity index. IEEE transactions on image processing: a publication of the IEEE Signal Processing Society, 21(4), 1488–1499. https://doi.org/10.1109/tip.2011.2173206
Pachon, C. G., Renza, D., & Ballesteros, D. (2023b). Is My Pruned Model Trustworthy? PE-Score: A New CAM-Based Evaluation Metric. Big Data and Cognitive Computing, 7(2), 111.
Multimedia Systems and Applications. (s/f). Archive.org. Recuperado el 2 de octubre de 2023, de https://web.archive.org/web/20071026050307/http://bmrc.berkeley.edu/courseware/cs294/fall97/assi gnment/psnr.html
Ballesteros, D. M., & Renza, D. (2018). Secure speech content based on scrambling and adaptive hiding. Symmetry, 10(12), 694.
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.*.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv applicaction/pdf
dc.coverage.sede.none.fl_str_mv Calle 100
dc.publisher.program.spa.fl_str_mv Ingeniería en Telecomunicaciones
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv https://repository.umng.edu.co/bitstreams/aa599629-b73c-49f6-aa9e-8a4ace555595/download
https://repository.umng.edu.co/bitstreams/19745c8e-2a44-452f-ac07-d586dc5e901e/download
https://repository.umng.edu.co/bitstreams/aed2ab5b-c837-4bdc-8aca-11800b3b6ce1/download
bitstream.checksum.fl_str_mv 5410beb035a260439b240328b560e4b9
f18c4ed3a3fded4f1fda7c07a7f0704f
81e3acf9df1aa1fe959862fa43bb5e45
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1851052721709252608
spelling Ballesteros Larrotta, Dora MaríaForero Manrique, Sharon StefannyIngeniero en TelecomunicacionesRenza Torres, Diego2025-10-28T15:08:34Z2025-10-28T15:08:34Z2023-11-28https://hdl.handle.net/10654/47510instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.umng.edu.coTras la pandemia de COVID-19, el uso de tomografías computarizadas (TC) para diagnosticar enfermedades respiratorias se ha vuelto más común. Sin embargo, con el propósito de cuidar la salud del paciente, se recomienda no tener largos tiempos de exposición, lo que puede llegar a generar imágenes con apariencia de ruidosa. Por lo cual, se hace necesario mejorar la calidad de estas imágenes para facilitar el diagnóstico clínico por parte del especialista. Este proyecto se enfoca precisamente en proponer una solución (modelo de reducción de ruido) utilizado aprendizaje profundo, que permite mejorar la calidad de imágenes TC de COVID19, neumonía y de pacientes saludables. Para el entrenamiento y validación del modelo se utilizó un conjunto de imágenes disponibles en IEEE DataPort titulado COVID19, el cual consta de aproximadamente 1000 imágenes por cada una de las clases anteriormente mencionadas. A partir de este dataset, se seleccionaron aleatoriamente 100 imágenes por clase para generar imágenes ruidosas con dos tipos de ruido (gaussiano y salpimienta). Cada pareja de imágenes se utilizó en el entrenamiento de un autoencoder, específicamente con la arquitectura U-Net, obteniendo una imagen limpia a partir de la imagen ruidosa de entrada. Con el propósito de cuantificar el desempeño del modelo, se utilizaron dos métricas de evaluación: SSIM y PSNR. Para cada uno de los tipos de ruido se trabajaron con dos hiperparámetros en U-Net, uno correspondiente a la cantidad de filtros, y otro a la normalización de lotes. De acuerdo con los resultados, se encontró que el hiperparámetro de mayor impacto en la calidad de la imagen de salida corresponde a la cantidad de filtros: a mayor cantidad, mejor es la reducción de ruido en la imagen.After the COVID-19 pandemic, the use of computed tomography (CT) scans to diagnose respiratory diseases has become more common. However, in order to protect patient health, it is recommended to avoid long exposure times, which can result in images with a noisy appearance. Therefore, it is necessary to improve the quality of these images to facilitate clinical diagnosis by specialists. This project focuses precisely on proposing a solution (a noise reduction model) using deep learning, which allows for improving the quality of CT images of COVID-19, pneumonia, and healthy patients. For the training and validation of the model, a dataset available on IEEE DataPort titled COVID19 was used, which consists of approximately 1,000 images for each of the aforementioned classes. From this dataset, 100 images per class were randomly selected to generate noisy images with two types of noise (Gaussian and salt-and-pepper). Each pair of images was used to train an autoencoder, specifically with a U-Net architecture, obtaining a clean image from the noisy input image. To quantify the model’s performance, two evaluation metrics were used: SSIM and PSNR. For each type of noise, two hyperparameters in the U-Net were adjusted: one corresponding to the number of filters and another to batch normalization. According to the results, it was found that the hyperparameter with the greatest impact on the quality of the output image was the number of filters — the higher the number, the better the noise reduction achieved in the image.1. INTRODUCCIÓN .................................................................................................................................... 11 1.1. PLANTEAMIENTO DEL PROBLEMA ....................................................................................................... 12 1.2. JUSTIFICACIÓN ...................................................................................................................................... 12 1.3. PREGUNTA DE INVESTIGACIÓN ............................................................................................................ 13 1.4. OBJETIVOS ............................................................................................................................................ 13 1.4.1. Objetivo general ................................................................................................................................... 13 1.4.2. Objetivos específicos ............................................................................................................................ 13 1.5. METODOLOGÍA ..................................................................................................................................... 13 2. MARCO TEÓRICO .......................................................................................................................................... 16 2.1 APRENDIZAJE PROFUNDO ........................................................................................................................ 16 2.2 AUTOENCONDERS ...................................................................................................................................... 18 2.3 U-NET .......................................................................................................................................................... 20 3. ANTECEDENTES .................................................................................................................................... 23 4. FASE 1: ENTENDIMIENTO DEL PROBLEMA ........................................................................................... 24 5. FASE 2: PREPARACIÓN DE LOS DATOS ................................................................................................. 26 5.1. CONJUNTO DE DATOS COVID19 ................................................................................................................ 26 5.2. CREACIÓN DE IMÁGENES CON RUIDO ...................................................................................................... 27 5.2.1. Ruido gaussiano .................................................................................................................................... 28 5.2.2. Código implementado en Python para adicionar ruido “gaussiano” ................................................... 29 5.2.3. Ruido sal y pimienta ............................................................................................................................. 31 5.2.4. Código implementado en Python para adicionar ruido “sal y pimienta” ............................................ 32 6. FASE 3: MODELAMIENTO ..................................................................................................................... 36 6.1. ARQUITECTURA U-NET PARA REDUCCIÓN DE RUIDO ............................................................................... 36 6.2. CÓDIGO EN PYTHON PARA EL ENTRENAMIENTO DEL MODELO DE REDUCCIÓN DE RUIDO .................... 37 7. FASE 4: EVALUACIÓN DE DESEMPEÑO ................................................................................................. 44 7.1 MÉTRICAS DE EVALUACIÓN .................................................................................................................. 44 7.1.1. Índice de Similitud Estructural (SSIM) .................................................................................................... 44 7.1.2. Peak Signal-to-Noise Ratio (PSNR) ......................................................................................................... 45 7.2 RESULTADOS DE DESEMPEÑO .............................................................................................................. 46 7.2.1. Resultados preliminares ante Ruido Gaussiano ..................................................................................... 46 6 7.2.2. Resultados consolidados ante ruido gaussiano evaluados mediante SSIM ........................................... 48 7.2.2. Resultados preliminares ante ruido Sal y Pimienta ................................................................................ 52 7.2.3. Resultados consolidados ante ruido sal y pimienta con SSIM ............................................................... 53 8. CONCLUSIONES .................................................................................................................................... 58 9. REFERENCIAS ........................................................................................................................................ 59Pregradoapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertohttp://purl.org/coar/access_right/c_abf2Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19Noise Reduction in Diagnostic Images Using Deep Learning: COVID-19 CaseIMAGENES MEDICAS - PROCESAMIENTO DIGITALREDUCCION DE RUIDO (PROCESAMIENTO DE IMAGENES)APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL) - APLICACIONES EN MEDICINACOVID-19 - DIAGNOSTICO POR IMAGENESINTELIGENCIA ARTIFICIAL - APLICACIONES EN RADIOLOGIACOVID -19Tomografía computarizadaRuido sal y pimientaRuido gaussianoU-NetReducción de ruido en imágenes médicasSSIMPSNRCOVID-19Computed tomographySalt-and-pepper noiseGaussian noiseU-NetMedical image denoisingSSIMPSNRTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería en TelecomunicacionesFacultad de IngenieríaUniversidad Militar Nueva GranadaNuevo coronavirus 2019. (s.f.-b). World Health https://www.who.int/es/emergencies/diseases/novel-coronavirus Organization (WHO). 2019?gclid=CjwKCAjwseSoBhBXEiwA9iZtxt2De95Z6uO6ShQXXwyd0RLw1PTO10SzVAThxTFwmdTqpiUrjw BiJhoCIdUQAvD_BwETomografía Computarizada (TC). (s.f.). National Institute of Biomedical Imaging and Bioengineering. https://www.nibib.nih.gov/espanol/temas-cientificos/tomografía-computarizada-tcEfectos a largo plazo en la salud de la exposición a la radiación y la contaminación por radiación|CDC. (s.f.). Centers for Disease Prevention. https://www.cdc.gov/nceh/radiation/emergencies/es/cancer.htm Control IEEE DataPort. (s. f.). IEEE DataPort. https://ieee-dataport.org/documents/covid-19What are Convolutional Neural Networks? | IBM. (s.f.). IBM in Deutschland, Österreich und der Schweiz | IBM. https://www.ibm.com/topics/convolutional-neural networks#Types+of+convolutional+neural+networksPachón, C. G., Ballesteros, D. M., & Renza, D. (2023a). An efficient deep learning model using network pruning for fake banknote recognition. Expert Systems with Applications, 233, 120961.Chavarro, A. F., Renza, D., & Ballesteros, D. M. (2023). Influence of Hyperparameters in Deep Learning Models for Coffee Rust Detection. Applied Sciences, 13(7), 4565.Tipos de capas de red neuronal convolucional. Bootcamps. https://keepcoding.io/blog/tipos-capas-red-neuronal-convolucional/ (s.f.). KeepCoding 59 Renza, D., & Ballesteros, D. (2023, September). Sp2PS: Pruning Score by Spectral and Spatial Evaluation of CAM Images. In Informatics (Vol. 10, No. 3, p. 72). MDPI.Simplilearn. (2022, 30 de agosto). What are Autoencoders? Introduction to Autoencoders in Deep Learning | Simplilearn. Simplilearn.com. https://www.simplilearn.com/tutorials/deep-learning tutorial/what-are-autoencoders-in-deep learning#:~:text=An%20Autoencoder%20is%20a%20type,DecoderTeam, D. (2022, August 1). U-NET : todo lo que tienes que saber sobre la red neuronal de Computer Vision. Formation Data Science | DataScientest.com. https://datascientest.com/es/u-net-lo-que-tienes que-saberScarpiniti, M., Sarv Ahrabi, S., Baccarelli, E., Piazzo, L., & Momenzadeh, A. (2022). A novel unsupervised approach based on the hidden features of Deep Denoising Autoencoders for COVID-19 disease detection. Expert Systems https://doi.org/10.1016/j.eswa.2021.116366Lee, S., Negishi, M., Urakubo, H., Kasai, H., & Ishii, S. (2020). Mu-net: Multi-scale U-net for two-photon microscopy image denoising and restoration. Neural Networks: The Official Journal of the International Neural Network Society, 125, 92–103. https://doi.org/10.1016/j.neunet.2020.01.026Gurrola-Ramos, J., Dalmau, O., & Alarcón, T. (2022). U-Net based neural network for fringe pattern denoising. Optics and Lasers https://doi.org/10.1016/j.optlaseng.2021.106829 in Engineering, 149(106829), 106829.Enríquez, A., & Sáenz, C. (s/f). Primeras lecciones y desafíos de la pandemia de COVID-19 para los países del SICA. Cepal.org. Recuperado el 2 de octubre de https://repositorio.cepal.org/server/api/core/bitstreams/8dd0856e-e8a6-470f-b864 38fbf96f8cd5/content 2023, deRamírez Giraldo, J. C., Arboleda Clavijo, C., & McCollough, C. H. (2008). TOMOGRAFÍA COMPUTARIZADA POR RAYOS X: FUNDAMENTOS Y ACTUALIDAD. Revista de ingenieria biomedica, 2(4), 54–66. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1909-97622008000200008Informática, G. en I. (s/f). Tratamiento de imágenes con ruido impulsivo mediante reglas difusas y algoritmos genéticos. Unavarra.es. Recuperado el 2 de octubre de 2023, de https://academica e.unavarra.es/xmlui/bitstream/handle/2454/19033/MemoriaTFG- SergioSada.pdf?sequence=1&isAllowed=yBrunet, D., Vrscay, E. R., & Wang, Z. (2012). On the mathematical properties of the structural similarity index. IEEE transactions on image processing: a publication of the IEEE Signal Processing Society, 21(4), 1488–1499. https://doi.org/10.1109/tip.2011.2173206Pachon, C. G., Renza, D., & Ballesteros, D. (2023b). Is My Pruned Model Trustworthy? PE-Score: A New CAM-Based Evaluation Metric. Big Data and Cognitive Computing, 7(2), 111.Multimedia Systems and Applications. (s/f). Archive.org. Recuperado el 2 de octubre de 2023, de https://web.archive.org/web/20071026050307/http://bmrc.berkeley.edu/courseware/cs294/fall97/assi gnment/psnr.htmlBallesteros, D. M., & Renza, D. (2018). Secure speech content based on scrambling and adaptive hiding. Symmetry, 10(12), 694.Calle 100ORIGINALForeroManriqueSharonStefanny2025.pdfForeroManriqueSharonStefanny2025.pdfTrabajo de gradoapplication/pdf1147795https://repository.umng.edu.co/bitstreams/aa599629-b73c-49f6-aa9e-8a4ace555595/download5410beb035a260439b240328b560e4b9MD51THUMBNAILForeroManriqueSharonStefanny2025.pdf.jpgForeroManriqueSharonStefanny2025.pdf.jpgIM Thumbnailimage/jpeg5830https://repository.umng.edu.co/bitstreams/19745c8e-2a44-452f-ac07-d586dc5e901e/downloadf18c4ed3a3fded4f1fda7c07a7f0704fMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82987https://repository.umng.edu.co/bitstreams/aed2ab5b-c837-4bdc-8aca-11800b3b6ce1/download81e3acf9df1aa1fe959862fa43bb5e45MD5210654/47510oai:repository.umng.edu.co:10654/475102025-10-29 03:00:42.966http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repository.umng.edu.coRepositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares