1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
  2. Tesis de Posgrado
  3. Chihuahua
  4. Instituto Tecnológico de Chihuahua
  5. Tesis de Maestría
  6. Maestría en Ciencias en Ingeniería Electrónica

Por favor, use este identificador para citar o enlazar este ítem: https://rinacional.tecnm.mx/jspui/handle/TecNM/12219
Título : MODELO DE APRENDIZAJE PROFUNDO PARA ANÁLISIS DE MUESTRAS UROLÓGICAS, FROTIS SANGUÍNEO Y CULTIVOS MICROSCÓPICOS
Autor : ACOSTA ESPINOZA, FLAVIO EMMANUEL
metadata.dc.subject.other: MODELO DE APRENDIZAJE PROFUNDO PARA ANÁLISIS DE MUESTRAS UROLÓGICAS, FROTIS SANGUÍNEO Y CULTIVOS MICROSCÓPICOS
Fecha de publicación : 2026-01-01
Editorial : Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Instituto Tecnológico de Chihuahua
Descripción : Los estudios de sedimento urinario, frotis sanguíneo y la identificación de microorganismos han sido útiles para la prevención y diagnóstico de enfermedades renales e infecciosas. Para esto, las redes neuronales profundas se han convertido en una opción prometedora para la eficiencia y precisión en estos análisis, ya que aprenden y reconocen patrones complejos en datos de interés médico. Para contribuir en dichos esfuerzos, esta tesis propone una red neuronal profunda llamada EfficientNet de baja profundidad (LDE-Net) que analiza muestras microscópicas de sedimento urinario, frotis sanguíneo y cultivos de microorganismos como bacterias y levaduras. Como datos de referencia, se utilizaron tres conjuntos para validar y evaluar LDE-Net, los cuáles son: Urinary Sediment Dataset(USD) para urología, Raabin-wbc para frotis sanguíneo y Bactery and Yeast Real Images (BYRI) para bacterias y levaduras. LDE-Net logró un rendimiento mayor a 95% de exactitud en validación para las tres bases de datos y un tiempo de procesamiento de 11 ms por imagen, con 2.45 millones de parámetros. Las pruebas de validación cruzada mostraron que el modelo generaliza en los distintos conjuntos de datos, y que no existen indicios de sesgo.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Aparece en las colecciones: Maestría en Ciencias en Ingeniería Electrónica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Tesis Acosta Espinoza Flavio Emmanuel.pdf5.94 MBAdobe PDFVisualizar/Abrir


Este ítem está protegido por copyright original

Visualizar la licencia
Mostrar el registro Dublin Core completo del ítem


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons