Segmentación automática de tejido en imágenes de resonancia magnética de miembro inferior utilizando redes neuronales convolucionales /
Los modelos músculo esqueléticos (MME) permiten un correcto entendimiento de la marcha de personas que sufren algún tipo de discapacidad o enfermedad que afecte su locomoción. Son herramientas computacionales que proveen explicaciones cuantitativas acerca de cómo los sistemas neuromuscular y músculo...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis Libro |
| Lenguaje: | Español |
| Publicado: |
Oro Verde, ER :
Facultad de Ingeniería. UNER,
2019
|
| Materias: | |
| Aporte de: | Registro referencial: Solicitar el recurso aquí |
| LEADER | 04892nam a2200361 a 4500 | ||
|---|---|---|---|
| 001 | 00012973 | ||
| 003 | AR-OvUNE | ||
| 005 | 20230316142550.0 | ||
| 006 | a||||| 00| 0 | ||
| 007 | ta | ||
| 008 | 230303s2019 ag a|||f 00| 0 spadd | ||
| 040 | |a AR-OvUNE |c AR-OvUNE | ||
| 080 | 0 | |a 004.85 |b D352 | |
| 100 | |a Deangeli, Duilio |9 31404 | ||
| 245 | 1 | 0 | |a Segmentación automática de tejido en imágenes de resonancia magnética de miembro inferior utilizando redes neuronales convolucionales / |c Duilio Deangeli; director Marco Antonio López Ibarra; codirector Juan Cruz Gassó Loncan |
| 260 | |a Oro Verde, ER : |b Facultad de Ingeniería. UNER, |c 2019 | ||
| 300 | |a 103 h. : |b fig. col. ; |c 30 cm. | ||
| 500 | |a Se dispone de una versión digital en cd rom | ||
| 500 | |a Incluye resumen | ||
| 502 | |a Bioingeniería 2019 Universidad Nacional de Entre Ríos. Facultad de Ingeniería Bioingeniero Proyecto final UNER. FI. | ||
| 504 | |a Bibliografía: p.101-103 | ||
| 520 | |a Los modelos músculo esqueléticos (MME) permiten un correcto entendimiento de la marcha de personas que sufren algún tipo de discapacidad o enfermedad que afecte su locomoción. Son herramientas computacionales que proveen explicaciones cuantitativas acerca de cómo los sistemas neuromuscular y músculo esquelético interactúan para producir el movimiento del cuerpo humano. El modelado del MME presenta una geometría y un comportamiento mecánico complejo y entre sus estructuras existen interacciones complejas. Actualmente esta tarea se realiza a partir de la segmentación de imágenes médicas de Resonancia Magnética (MRI). En particular, la segmentación manual de imágenes necesaria para generar modelos biomecánicos es un proceso lento y tedioso, aun así, continúa siendo la solución más frecuente. Las técnicas de aprendizaje maquinal (ML) y de inteligencia artificial (IA) han jugado un papel importante en el campo médico, como el diagnóstico asistido por computadora y la segmentación de imágenes. El aprendizaje profundo (DL) es una técnica ampliamente aplicada que proporciona buenos valores de la precisión en el estado actual. En este proyecto, se propone un nuevo método de segmentación del músculo esquelético basado en redes neuronales convolucionales profundas (CNN), que son redes que funcionan muy bien para datos en 2 dimensiones. Se evaluó la arquitectura U-Net para segmentación de tejido de miembro inferior. U-Net está basada en un autoencodificador con CNN con conexiones de salto. Para el entrenamiento de los algoritmos, se generaron imágenes a partir de un estudio de MRI con sus correspondientes etiquetas validadas por el experto médico. Esto se realizó en el Laboratorio de Biomecánica de la FIUNER y se contó con 450 slices provenientes de un único voluntario, correctamente etiquetados y validados. El desempeño de las segmentación de U-Net fue medido usando métricas de sensibilidad y especificidad, también se utilizó el coeficiente DICE como función de pérdida. Se evaluó la arquitectura para tres aplicaciones diferentes de segmentación binaria. Se realizaron pruebas con tejido óseo, muscular y conectivo. Por último, se realizaron pruebas de segmentación multiclases. Este trabajo presenta un modelo sencillo el cual, sin optimizar hiperparametros específicamente para este problema, consigue obtener resultados cercanos al estado del arte. Las métricas de eficacia fueron cercanas a los métodos semiautomáticos utilizados en la actualidad, siendo estas superiores al 90% en todos los casos. Se logró alcanzar una precisión y exactitud similar al experto humano. La segmentación de una imagen de 512x512 píxeles toma menos de un segundo en una computadora con GPU integrada, generando la segmentación completa de un paciente en menos de 10 min. El éxito de esta implementación conlleva a una mejora en la eficiencia, siendo muy superior a los métodos actuales de segmentación, reafirmando a las redes convolucionales como una de las mejores técnicas a la hora de abordar problemas relacionados con imágenes médicas |b Cita realizada a partir del resumen elaborado por el autor del trabajo, bajo las condiciones del derecho a cita establecido por el art. 10 de la ley 11723 |u http://servicios.infoleg.gob.ar/infolegInternet/anexos/40000-44999/42755/texact.htm | ||
| 650 | 7 | |a Inteligencia artificial |x Segmentación de imágenes médicas |x Imágenes por resonancia magnética |9 12598 | |
| 653 | |a SEGMENTACIÓN DE IMÁGENES | ||
| 653 | |a APRENDIZAJE DE MAQUINAS | ||
| 653 | |a APRENDIZAJE PROFUNDO | ||
| 653 | |a REDES NEURONALES CONVOLUCIONALES PROFUNDAS | ||
| 653 | |a IMÁGENES POR RESONANCIA MAGNÉTICA | ||
| 653 | |a ARQUITECTURA U-NET | ||
| 700 | 1 | |a López Ibarra, Marco Antonio |9 4003 |e dir. | |
| 700 | 1 | |a Gassó Loncan Vallecillo, Juan Cruz |9 2656 |e codir. | |
| 942 | |c TESINA |2 udc |h 004.85 |6 00485 | ||
| 999 | |c 12973 |d 12973 | ||