Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/10517
Título : Predicción del daño pulmonar ocasionado por Fibrosis Pulmonar Idiopática mediante aprendizaje profundo en imágenes de Tomografía Computarizada de tórax
Autor: Sheila Leyva López
Palabras clave : Aprendizaje profundo
Fibrosis Pulmonar Idiopática
Redes Neuronales Convolucionales
Tomografía Axial Computarizada
Capacidad Vital Forzada
Área de conocimiento (CONAHCyT): INGENIERÍA Y TECNOLOGÍA
Fecha de publicación : 17-may-2024
Editorial : Universidad Autónoma de Querétaro
Páginas: 1 recurso en línea (101 páginas)
Folio RI: IGMAC-311375
Facultad: Facultad de Ingeniería
Prográma académico: Maestría en Ciencias en Inteligencia Artificial
Resumen: La fibrosis pulmonar idiopática (FPI) es una enfermedad crónica, progresiva y limitante. Consiste en una mala cicatrización del tejido pulmonar luego de que este sufre algún tipo de daño. De los 200 tipos de fibrosis pulmonar existentes la FPI es la más común y recibe este nombre porque las causas de la aparición del padecimiento se desconocen. En el presente proyecto de tesis de posgrado se propone el desarrollo de un método basado en técnicas de aprendizaje profundo: redes neuronales convolucionales en 3D, con el propósito de predecir el daño pulmonar como consecuencia de la fibrosis idiopática en pulmones. Dicho método consiste en la predicción de los valores de capacidad vital forzada siguientes a partir de una primera imagen de tomografía axial computarizada de tórax, un valor inicial de capacidad vital forzada e información adicional como edad, sexo y el estado del fumador, es decir, si durante el estudio el paciente era un fumador activo, ex fumador nunca había fumado.
URI : https://ri-ng.uaq.mx/handle/123456789/10517
Aparece en las colecciones: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IGMAC-311375 (PDF-A).pdf2.28 MBAdobe PDFVista previa
Visualizar/Abrir


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