Bienvenido al Repositorio Institucional de la UTPL (RiUTPL) que tiene como propósito centralizar los recursos educativos y objetos de aprendizaje generados por la comunidad académica;
este repositorio permitirá preservar, organizar y visibilizar la producción institucional
bajo la licencia Creative Commons 4.0.
Please use this identifier to cite or link to this item:
http://dspace.utpl.edu.ec/jspui/handle/20.500.11962/27518Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | Jiménez Gaona, Yuliana Del Cisne | es_ES |
| dc.contributor.author | Valladarez Lojan, Angel Alexis | es_ES |
| dc.date.accessioned | 2021-04-06T15:23:51Z | - |
| dc.date.available | 2021-04-06T15:23:51Z | - |
| dc.date.issued | 2021 | es_ES |
| dc.identifier.citation | Valladarez Lojan, Angel Alexis. (2021). Redes neuronales para la segmentación de imágenes médicas /. (Trabajo de Titulación de Ingeniero en Sistemas Informáticos y Computación ). UTPL, Loja. | es_ES |
| dc.identifier.other | 1346852 | es_ES |
| dc.identifier.uri | http://dspace.utpl.edu.ec/handle/20.500.11962/27518 | - |
| dc.description | Resumen: El cáncer de mama es una de las principales causas de muerte en mujeres. La técnica de mamografía es una de las más usadas para detección temprana de cáncer de mama, permitiendo un diagnóstico temprano de lesiones mamarias. Sin embargo, la lectura manual implica para el radiólogo una intensa carga de trabajo. Por ello se han diseñado sistemas computacionales asistidos (CAD) basados en aprendizaje profundo, para ayudar al médico a tomar decisiones. En este trabajo nos centramos en el uso de redes convolucionales para segmentar regiones de interés (ROI) como masas, tumores, microcalcificaciones y lesiones en imágenes de mamografía. Para ello se propone 1) Usar la base de datos CBIS-DDSM, 2) Obtención manual de la ROI, 3) Segmentación de la ROI mediante los algoritmos U-net y SegNet, 4) Evaluación del rendimiento de estos algoritmos mediante métricas estadísticas. Finalmente, los resultados indican que U-net supera el porcentaje de precisión 88% con respecto al de SegNet 82%. En conclusión, los resultados indican que el modelo U-net es más robusto y preciso para segmentar regiones en mama. | es_ES |
| dc.language.iso | spa | es_ES |
| dc.subject | Redes informáticas. | es_ES |
| dc.subject | Redes neuronales. | es_ES |
| dc.subject | Ingeniero en sistemas informáticos y computación.- | es_ES |
| dc.title | Redes neuronales para la segmentación de imágenes médicas / | es_ES |
| dc.type | bachelorThesis | es_ES |
| Appears in Collections: | Ingeniero en Sistemas Informáticos y Computación | |
Files in This Item:
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.