Deep Landmarking : reconocimiento automático de estructuras anatómicas por medio de morfometría geométrica
La adquisición de información fenotípica es un aspecto clave en diversos contextos, incluyendo análisis biométricos, estudios bioantropológicos, investigaciones biomédicas, y ciencia forense por citar algunos. Para ello se requiere la identificación automática de estructuras anatómicas de interés...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | tesis doctoral |
| Lenguaje: | Español |
| Publicado: |
2017
|
| Materias: | |
| Acceso en línea: | http://repositoriodigital.uns.edu.ar/handle/123456789/4136 |
| Aporte de: |
| Sumario: | La adquisición de información fenotípica es un aspecto clave en diversos contextos,
incluyendo análisis biométricos, estudios bioantropológicos, investigaciones biomédicas, y
ciencia forense por citar algunos. Para ello se requiere la identificación automática de estructuras
anatómicas de interés biométrico, como por ejemplo huellas dactilares, patrones
en el iris, o rasgos faciales. Estas estructuras son utilizadas masivamente, pero poseen la
desventaja de requerir intrusión para adquirir la información a ser analizada. En esta tesis
presentamos un nuevo método, basado en la Morfometría Geométrica, para la detección y
extacción automática de datos anatómicos característicos (features) en la forma de hitos
(landmarks) en 2D o 3D. Para ello se entrenó una red neuronal con conjuntos de datos
obtenidos en forma supervisada por medio de expertos antropólogos y biólogos. El sistema
resultante posee la capacidad de realizar landmarking en forma automática en imágenes y
video sin preparación previa, obteniéndose parámetros de calidad equivalente o superiores
a los adquiridos por expertos humanos. Estos resultados abren la posibilidad de generar en
forma automática y confiable vectores de atributos basados en propiedades fenotípicas.
Se exploran algunas aplicaciones en diversos contextos incluyendo biometría, videojuegos,
interfases naturales y otras aplicaciones. |
|---|