Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/21878
Título: Desarrollo de algoritmos para el análisis y procesamiento de imágenes de resonancia magnética para diferenciar los tejidos presentes en el hígado graso
Autor: Ichina López, Alejandra Estefanía
Palabras clave: RELATIVIDAD GENERAL
GRAVITACIÓN
Fecha de publicación: 17-sep-2021
Editorial: Quito, 2021
Citación: Ichina López, A. E. (2021). Desarrollo de algoritmos para el análisis y procesamiento de imágenes de resonancia magnética para diferenciar los tejidos presentes en el hígado graso. 74 hojas. Quito : EPN.
Resumen: Advancement and development of different imaging has facilitated the diagnosis of diseases. MR imaging has gained prominence in the observation and diagnosis of multiple conditions that occur in organs such as the liver because of its high resolution. Due to the amount of image data increases and the analysis becomes more difficult, it is necessary to implement methods that improve diagnostic accuracy and decrease analysis time. In this project, we use an approach based on Machine Learning to differentiate liver fatty and normal zones in MR. This problem is solved within the category of supervised learning, using multi-layer perceptron-type neural networks with radiomic characteristics as input data. The regions of interest are segmented using 3D-Slicer, the characteristics are extracted using PyRadiomics and the neural networks are built from the Scikit-Learn library. Our best results guarantee shorter analysis with an accuracy of about 70%. However, precision is about 60% which causes that the number of false positives and negatives must be analyzed carefully with respect to the number of true positives and negatives obtained.
Descripción: El avance y desarrollo de diferentes técnicas de adquisición de imágenes ha facilitado el diagnóstico de enfermedades. La imagen de Resonancia Magnética ha ganado protagonismo en la observación y diagnóstico de múltiples condiciones que se presentan en órganos como el hígado por su alta resolución. Debido a que, cada vez la cantidad de datos de imágenes se incrementa y el análisis se hace más difícil, es necesario implementar métodos que mejoren la precisión del diagnóstico y disminuyan los tiempos de análisis. En este trabajo se usa herramientas basadas en Machine Learning para diferenciar zonas grasas y normales del hígado en RM. Este problema se resuelve dentro de la categoría de aprendizaje supervisado de clasificación, usando redes neuronales de tipo perceptrón multicapa con características radiómicas como datos de entrada. Las regiones de interés son segmentadas empleando el software 3D-Slicer, las características se extraen con PyRadiomics y las redes neuronales se construyen usando Scikit-Learn. Los mejores resultados obtenidos garantizan tiempos de análisis cortos con una exactitud de alrededor del 70%. Sin embargo, los resultados de precisión alcanzan un 60% provocando así que el número de falsos positivos y negativos sean analizados cuidadosamente respecto al número de verdaderos positivos y negativos obtenidos.
URI: http://bibdigital.epn.edu.ec/handle/15000/21878
Tipo: bachelorThesis
Aparece en las colecciones:Tesis Física (FISICA)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
CD 11320.pdf5,67 MBAdobe PDFVisualizar/Abrir


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