Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/10854
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorSaúl Tovar Arriagaes_ES
dc.contributorAlejandro De León Cuevases_ES
dc.contributorJesús Carlos Pedraza Ortegaes_ES
dc.contributorJuan Manuel Ramos Arreguínes_ES
dc.contributorGendry Alfonso Franciaes_ES
dc.creatorLuis Felipe Estrella Ibarraes_ES
dc.date.accessioned2024-06-25T17:44:13Z-
dc.date.available2024-06-25T17:44:13Z-
dc.date.issued2024-05-01-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/10854-
dc.descriptionEn el ámbito de la segmentación 3D, los modelos actuales basados en nubes de puntos muestran un rendimiento alentador, aunque enfrentan dificultades en la delineación precisa de clases alrededor de intersecciones, desafío inherente de los modelos de segmentación. La identificación precisa de límites entre clases dentro del espacio tridimensional es crucial, especialmente en aplicaciones médicas. Este estudio presenta el Punto Transformador de Aprendizaje de Fronteras Contrastivas Anidadas (NCBL-PT), un marco especializado diseñado para segmentaciones de nubes de puntos. Al aprovechar el poder del aprendizaje contrastivo, NCBL-PT mejora las representaciones de los puntos cercanos a la intersección de clases mediante la maximización de la similitud de características entre puntos que pertenecen a la misma clase. Este enfoque incorpora una distinción entre los puntos pertenecientes a esta frontera, discerniendo si constituyen el límite o no. Esta delineación permite al modelo obtener información de puntos que se extienden más allá de la proximidad inmediata, mitigando así la ambigüedad semántica dentro de características de la misma clase y fomentando relaciones de características enriquecidas. El objetivo es evitar que el modelo relacione características entre puntos de diferentes clases en la zona de intersección de clases, donde similitudes de características inducidas por la proximidad pueden llevar a asociaciones erróneas y a espacios semánticos difíciles de generalizar. NCBL-PT opera dentro de cada nube de puntos submuestreada en cada etapa de los bloques codificadores de la arquitectura del punto transformer. Se aplica autoatención dentro de vecindarios locales representados por subconjuntos X(i)⊆X, definiendo un conjunto de puntos dentro del vecindario local de xi. El uso de k=16 vecinos más cercanos para la autoatención mantienen consistencia con el mismo vecindario definido en los cálculos de NCBL, asegurando una regularización de autoatención del contexto del vecindario local. En consecuencia, NCBL-PT mejora la segmentación de nubes de puntos 3D, reduciendo efectivamente errores en áreas de intersección de clases. La aplicación de este enfoque resultó en una mejora notable del 3.31% haciendo uso de la métrica de evaluación Intersección sobre Unión (IOU) para la segmentación de aneurismas en comparación con el modelo base punto transformer.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (56 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectAneurisma intracraneales_ES
dc.subjectAprendizaje contrastivoes_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleSegmentación de aneurismas cerebrales a partir de nubes de puntos por medio de técnica de aprendizaje profundoes_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidCVUes_ES
dc.contributor.tidCVUes_ES
dc.creator.identificador1178041es_ES
dc.contributor.identificador44381es_ES
dc.contributor.roleDirectores_ES
dc.contributor.roleSinodales_ES
dc.contributor.roleSinodales_ES
dc.contributor.roleSinodales_ES
dc.contributor.roleSinodales_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator311372es_ES
dc.folioIGMAC-311372es_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IGMAC-311372 (PDF-A).pdf1.4 MBAdobe PDFPortada
Visualizar/Abrir


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