Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/3363
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorSaul Tovar Arriagaes_ES
dc.creatorOliver Jonathan Quintana Quintanaes_ES
dc.date2021-11-08-
dc.date.accessioned2022-01-27T14:31:50Z-
dc.date.available2022-01-27T14:31:50Z-
dc.date.issued2021-11-08-
dc.identifierRedes Generativas Adversariases_ES
dc.identifierAngiografías de Resonancia Magnéticaes_ES
dc.identifierSegmentaciónes_ES
dc.identifierVasos Sanguíneoses_ES
dc.identifierRedes Convolucionaleses_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/3363-
dc.descriptionLa segmentación de vasos sanguíneos en imágenes cerebrales es un paso fundamental para muchas intervenciones médicas y diagnósticos de enfermedades. Los avances recientes en inteligencia artificial proporcionan mejores modelos, logrando un nivel de experiencia similar al humano en muchas tareas. En este trabajo, se presenta un nuevo enfoque para segmentar imágenes de angiografía por resonancia magnética de tiempo de vuelo (TOF-MRA), que se basa en menos muestras para el entrenamiento que los métodos del estado del arte. Se propone una red generativa adversaria condicional con un generador adaptado basado en una U-Net, concatenada con una arquitectura U-Net residual (UUr-cGAN), para llevar a cabo la segmentación de vasos sanguíneos en imágenes TOF-MRA, basándose en el aumento de datos para disminuir la desventaja de disponer de pocos volúmenes para entrenar el modelo, además de evitar el sobreajuste mediante técnicas de regularización. El modelo propuesto alcanza una precisión de 89,52 y una puntuación de Dice de 87,23 en promedio a partir del experimento de validación cruzada para las tareas de segmentación de los vasos sanguíneos cerebrales, lo que es similar a otros métodos del estado del arte y utiliza considerablemente menos muestras para el entrenamiento. UUr-cGAN extrae características relevantes de pequeños conjuntos de datos, al tiempo que evita el sobreajuste en comparación con otros métodos basados en CNN y es capaz de ´ lograr un rendimiento relativamente bueno en las tareas de segmentación de imágenes, como en el caso de los vasos sanguíneos cerebrales en TOF-MRAes_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.relation.requiresNoes_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS TECNOLÓGICASes_ES
dc.subjectCIENCIA DE LOS ORDENADORESes_ES
dc.titleSegmentación Automática de Vasos Sanguíneos en Imágenes Cerebraleses_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorQUQO960424HMNNNL08es_ES
dc.contributor.identificadorTOAS790720HQTVRL08es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI006404.pdf2.22 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.