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/20.500.11962/29121| Title: | Machine Learning y clustering para detección de cáncer de mama a través de imágenes de mamografía |
| Authors: | Freire Hidalgo, Jimmy Mauricio |
| metadata.dc.contributor.advisor: | Jiménez Gaona, Yuliana Del Cisne |
| Keywords: | Técnicas radiológicas Diagnóstico Seguridad y salud Estudio Ingeniero en electrónica y telecomunicaciones Tesis y disertaciones académicas |
| metadata.dc.date.available: | 2021-10-26T14:02:20Z |
| Issue Date: | 2021 |
| Citation: | Freire Hidalgo, Jimmy Mauricio. Jiménez Gaona, Yuliana Del Cisne.(2021). Machine Learning y clustering para detección de cáncer de mama a través de imágenes de mamografía . Universidad Técnica Particular de Loja |
| Description: | Resumen: El aumento de casos de cáncer de mama a nivel mundial, está provocando altos índices de mortalidad. Actualmente existen diferentes técnicas radiológicas de cribado usadas para su diagnóstico y detección temprana, entre las más usadas está la mamografía por su bajo costo y mínima exposición radiológica del paciente. Sin embargo, estas técnicas requieren de una lectura manual por parte del radiólogo, que, por varios factores como el cansancio, ruido, contraste de la imagen, características morfológicas de la mama, el exceso de imágenes puede provocar errores de diagnóstico. Por tanto, en este trabajo se realiza un estudio para pre-procesar imágenes de mamografía de la base de datos mini-Mammographic Image Analysis Society (MIAS), mediante la aplicación de técnicas de filtrado clásicas (Median, Wiener y Gauss) para eliminar los tipos de ruido más comunes de las mamografías (salpimienta, motas y ruido gaussiano), para mejorar la calidad de la imagen y obtener una mejor segmentación de lesiones tumorales o regiones de interés. Finalmente, La segmentación se realizó mediante técnicas de agrupamiento como k-means. |
| metadata.dc.identifier.other: | 1350044 |
| URI: | http://dspace.utpl.edu.ec/handle/20.500.11962/29121 |
| metadata.dc.type: | bachelorThesis |
| Appears in Collections: | Ingeniero en Electrónica y Telecomunicaciones |
Files in This Item:
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.