Mostrar el registro sencillo del ítem

Sistema de visión artificial para la detección de tumores cerebrales a través de técnicas de Deep Learning

dc.rights.licenserestringidoes_ES
dc.contributor.advisorGutiérrez Lozano, Cristhiam Jesid
dc.contributor.authorCogollo García, José Arturo
dc.contributor.authorMartínez Rodríguez, Manuel Ricardo
dc.contributor.authorOsorio Isaza, Julián
dc.contributor.otherNuñez Rodríguez, Rafael Augusto
dc.coverage.spatialBucaramangaes_ES
dc.date.accessioned2024-05-29T16:59:51Z
dc.date.available2024-05-29T16:59:51Z
dc.identifier.citationN/Aes_ES
dc.identifier.urihttp://repositorio.uts.edu.co:8080/xmlui/handle/123456789/16048
dc.descriptionIngeniería Electrónica, Procesamiento Digital de Imágeneses_ES
dc.description.abstractEn primer término, el tumor cerebral se considera una de las enfermedades más agresivas entre niños y adultos. La forma convencional de detectarlo es a través del estudio de imágenes de resonancia magnética (MRI), donde un profesional en radiología determina mediante la inspección visual si existe o no dicha anormalidad. Dentro de la clasificación de tumores cerebrales que considera esta investigación se mencionan: Glioma, Meningioma y Pituitario. Ciertamente, las técnicas de clasificación automatizada que utiliza la inteligencia artificial (IA) y el aprendizaje automático (Machine Learning) ha mostrado continuamente una mayor precisión que la clasificación manual en el diagnostico de tumores cerebrales. Así que, presentar un sistema de visión artificial capaz de detectar y clasificar tumores cerebrales usando Deep Learning con la red neuronal convolucional VGG- 19, a través de una aplicación móvil, constituye una herramienta versátil y valiosa para los profesionales médicos.es_ES
dc.description.sponsorshipUnidades Tecnológicas de Santanderes_ES
dc.description.tableofcontentsTABLA DE CONTENIDO RESUMEN EJECUTIVO.................................................................................................. 12 INTRODUCCIÓN............................................................................................................. 13 1. DESCRIPCIÓN DEL TRABAJO DE INVESTIGACIÓN ........................................ 14 1.1. PLANTEAMIENTO DEL PROBLEMA .................................................................. 14 1.2. JUSTIFICACIÓN................................................................................................... 14 1.3. OBJETIVOS ......................................................................................................... 16 1.3.1. OBJETIVO GENERAL ....................................................................................... 16 1.3.2. OBJETIVOS ESPECÍFICOS.............................................................................. 16 1.4. ESTADO DEL ARTE............................................................................................. 16 2. MARCO REFERENCIAL ...................................................................................... 27 2.1. MARCO TEÓRICO ............................................................................................... 27 2.1.1. TUMORES CEREBRALES ...................................................................................... 27 2.1.1.1. Tipos de Tumor Cerebral .................................................................. 28 a. Glioma ....................................................................................................... 28 b. Meningioma............................................................................................... 29 c. Pituitario.................................................................................................... 30 2.1.1.2. Diagnóstico Tradicional .................................................................... 31 2.1.2. HISTORIA INTELIGENCIA ARTIFICIAL EN MEDICINA................................................. 32 2.1.3. APRENDIZAJE PROFUNDO (DEEP LEARNING)........................................................ 33 a. Como “aprende” el Deep Learning:............................................................ 34 b. Deep learning en diagnóstico de imágenes medicas ................................ 34 c. Redes Neuronales Convolucionales (CNN)................................................ 35 Reconocimiento de imágenes ........................................................................ 37 2.2. MARCO CONCEPTUAL ....................................................................................... 38 2.2.1. ARQUITECTURA VGG-19..................................................................................... 38 2.2.2. BASE IMAGENET ................................................................................................. 39 2.2.3. CONJUNTO DE DATOS ......................................................................................... 39 2.2.4. DEEP LEARNING.................................................................................................. 40 2.2.5. FUNCIONES DE ACTIVACIÓN ................................................................................ 40 2.2.5.1. ReLU................................................................................................... 40 2.2.5.2. Softmax .............................................................................................. 41 2.2.6. GOOGLE COLABORATORY ................................................................................... 41 2.2.7. INTELIGENCIA ARTIFICIAL .................................................................................... 2.2.8. KERAS................................................................................................................ 42 2.2.9. KIVI .................................................................................................................... 43 2.2.10. MACHINE LEARNING ........................................................................................ 43 2.2.11. PROCESAMIENTO DE IMÁGENES........................................................................ 44 2.2.12. REDES NEURONALES CONVOLUCIONALES ........................................................ 44 2.2.13. RESONANCIA MAGNÉTICA ................................................................................ 45 3. DISEÑO DE LA INVESTIGACION........................................................................ 47 4. DESARROLLO DEL TRABAJO DE GRADO ....................................................... 49 4.1. REVISIÓN BIBLIOGRÁFICA........................................................................................ 49 4.1.1. BÚSQUEDA SOBRE DEEP LEARNING..................................................................... 49 4.1.2. ADQUISICIÓN DE LA BASE DE DATOS .................................................................... 49 4.2. IMPLEMENTACIÓN DE LOS MODELOS DE DEEP LEARNING .......................................... 52 4.2.1. SELECCIÓN DE LA RED NEURONAL CONVOLUCIONAL ............................................. 52 4.2.2. ENTORNO GOOGLE COLABORATORY ................................................................... 55 4.2.3. PRUEBA Y CARGUE MODELO CNN (VGG-19)........................................................ 57 4.2.4. PRIMER MODELO DE ENTRENAMIENTO .................................................................. 68 4.2.4.1. Capa agregada en el primer modelo .................................................. 70 4.2.5. SEGUNDO MODELO DE ENTRENAMIENTO............................................................... 73 4.2.6. TERCER MODELO DE ENTRENAMIENTO.................................................................. 75 4.2.7. CUARTO MODELO DE ENTRENAMIENTO ................................................................. 77 4.3. MODELO IMPLEMENTADO ........................................................................................ 79 4.3.1. DESARROLLO DEL APLICATIVO............................................................................. 79 4.3.1.1. ARCHIVO MAIN. KV........................................................................................... 80 4.3.1.2. ARCHIVO MAIN.PY............................................................................................ 82 4.3.1.3. ARCHIVO MODEL.PY......................................................................................... 83 4.3.1.4. ASPECTO DE LA INTERFAZ GRAFICA.................................................................. 84 5. RESULTADOS ..................................................................................................... 85 5.1. DESEMPEÑO Y ANÁLISIS DE LOS MODELOS DE APRENDIZAJE AUTOMÁTICO CON LA RED VGG-19 ........................................................................................................................... 85 5.1.1. RESULTADOS DEL PRIMER MODELO...................................................................... 85 5.1.2. RESULTADOS MODELO CAPA AGREGADA EN EL PRIMER MODELO........................... 86 5.1.3. RESULTADOS SEGUNDO MODELO......................................................................... 87 5.1.4. RESULTADOS TERCER MODELO............................................................................ 88 5.1.5. RESULTADOS CUARTO MODELO ........................................................................... 89 5.2. RESULTADOS DE LA RED CON LAS IMÁGENES DE PRUEBA ......................................... 90 5.3. RESULTADOS DE LA RED CON LAS IMÁGENES VALIDADAS EN EL APLICATIVO.............. 91 6. CONCLUSIONES ................................................................................................. 97 7. RECOMENDACIONES ......................................................................................... 99 8. REFERENCIAS BIBLIOGRÁFICAS ................................................................... 102 9. ANEXOS............................................................................................................. 105es_ES
dc.language.isoeses_ES
dc.publisherUnidades Tecnológicas de Santanderes_ES
dc.subjectAprendizaje profundo (Deep Learning), Inteligencia artificial (IA), Imagen por Resonancia Magnética (MRI), Tumor cerebral, Red neuronal convolucional (VGG- 19). Procesamiento de imágenes, Redes Neuronales, Appes_ES
dc.titleSistema de visión artificial para la detección de tumores cerebrales a través de técnicas de Deep Learninges_ES
dc.typedegree workes_ES
dc.rights.holdercopyright(CC.BY.NC.ND 2.5).es_ES
dc.date.emitido2024-05-29
dc.dependenciafcnies_ES
dc.proceso.procesoutsinvestigaciones_ES
dc.type.modalidaddesarrollo_tecnológicoes_ES
dc.format.formatopdfes_ES
dc.titulogIngeniero Electrónicoes_ES
dc.educationlevelProfesionales_ES
dc.contibutor.evaluatorevaluadores_ES
dc.date.aprobacion2024-05-02
dc.description.programaacademicoIngeniería Electrónicaes_ES
dc.dependencia.regionbucaramangaes_ES


Ficheros en el ítem

Thumbnail
Nombre:
F-DC-125__Informe_Final_Trabaj ...
Tamaño:
2.946Mb
Formato:
PDF
Descripción:
Informe Final
Ver/
Thumbnail
Nombre:
20240529104309748.pdf
Tamaño:
1.417Mb
Formato:
PDF
Descripción:
Licencia Autorización Datos
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem