Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo.
El cáncer es una de las enfermedades mas frecuentes y graves que causa una de las mayores muertes al año. El diagnostico precoz y la discriminación de esta enfermedad son clínicamente importantes. Por otro lado, el análisis de imágenes y diagnostico asistido por computadora se han vuelto cada vez m...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2019
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/834/1/1Ziemecki_Burgos.pdf |
| Aporte de: |
| Sumario: | El cáncer es una de las enfermedades mas frecuentes y graves que causa una de las mayores muertes al año. El diagnostico precoz y la discriminación de esta enfermedad son clínicamente importantes. Por otro lado, el análisis de imágenes y diagnostico asistido
por computadora se han vuelto cada vez mas accesibles para los especialistas, con los que les permiten realizar diagnósticos de manera mas eciente. Pero, en muchos métodos computacionales, la parte del proceso que conlleva la detección, segmentación y clasificación de células en imágenes histopatológicas sigue siendo un problema principal.
Dado que la detección celular y la segmentación son críticas para los diagnósticos del cáncer, en respuesta, en este trabajo se tuvo como objetivo proveer el soporte tecnológico para los especialistas que les permita coadyuvar a la detección y clasificación del cáncer. El mismo se realizo mediante un enfoque de segmentación celular útil de imágenes histopatológicas haciendo uso de técnicas de aprendizaje profundo prominentes como las redes neuronales convolucionales.
Los resultados revelaron que, para un tratamiento de imágenes adecuado y una arquitectura de red neuronal convolucional apropiada, los algoritmos de aprendizaje profundo se desempeñaron mejor que los métodos convencionales en la segmentación celular llegando a obtener resultados con una precisión, a través del índice de Dice, de 88,2 %. Además, el método propuesto del presente trabajo resulto tener un mejor desempeño que los presentados por la bibliografía y por publicaciones que han hecho
uso de dichas técnicas de aprendizaje profundo empleando enfoques similares al nuestro. |
|---|