Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/12256Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | Arzate Quintana, Carlos | - |
| dc.contributor.author | GUTIÉRREZ VELÁZQUEZ, MIGUEL ÁNGEL | - |
| dc.creator | GUTIÉRREZ VELÁZQUEZ, MIGUEL ÁNGEL#GUVM960705HCHTLG03 | - |
| dc.date.accessioned | 2026-02-27T18:25:40Z | - |
| dc.date.available | 2026-02-27T18:25:40Z | - |
| dc.date.issued | 2026-01-01 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/12256 | - |
| dc.description | Esta tesis forma parte del proyecto general “Algoritmos de visión artificial para realizar análisis de imágenes digitales para diagnóstico clínico parasitológico, urológico, hematológico y en muestras histológicas de patología” que realiza el Instituto Tecnológico de Chihuahua en conjunto con la Facultad de Medicina y Ciencias Biomédicas de la Universidad Autónoma de Chihuahua, y del proyecto “Clasificación de parásitos en muestras de copro mediante aprendizaje de máquina”, con clave 10071.21-P del Tecnológico Nacional de México. Para entrenar una red profunda se requiere una gran cantidad de muestras; sin embargo, cuando se trata de imágenes médicas, las muestras no abundan: ya sea por privacidad, dificultad de la adquisición, costo u otros factores. Para plantear la solución al objetivo (realizar un clasificador multiclase con redes profundas) se tomó en cuenta la escasa cantidad de muestras, con lo cual es menester conocer técnicas y enfoques para un entrenamiento con pocas muestras. Una vez tenido eso en cuenta, se utilizaron tres métodos: aumento de datos, generación de datos y transferencia de aprendizaje. El aumento de datos consistió en aplicar transformaciones en la imagen original, la generación de datos se efectuó con una red generativa adversaria, una vez se que incrementó la cantidad de muestras de entrenamiento, se hizo una transferencia de aprendizaje: se entrenó la red Alexnet para clasificar primero entre dos clases y después entre 8 clases.Se hicieron diversos experimentos tanto para la generación de datos como para la clasificación, estos experimentos se basaron tanto en la modificación de algunos parámetros de las redes pero, principalmente, en la modificación de los conjuntos de entrenamiento. Las imágenes de parásitos generadas con la GAN fueron utilizadas como conjunto de entrenamiento y prueba para clasificadores SVM y profundos. Un modelo entrenado con imágenes reales para clasificar entre 8 clases tuvo 98.38% de exactitud en el entrenamiento, 98.76% en la validación y 98.4% en la prueba. Siendo, además, capaz de clasificar correctamente las 32 imágenes generadas con la GAN con las que se probó. Otro modelo fue entrenado solo con imágenes generadas con la GAN, teniendo muy buenos resultados en dos clases al clasificar parásitos reales: Entamoeba hystolitica, donde clasificaron 512 muestras correctamente por 23 incorrectamente y Entamoeba hominis, donde se tuvieron 200 clasificaciones correctas y solo 10 incorrectas. Finalmente, hay cosas mejorables en cada etapa de la investigación: desde el procesamiento de las imágenes, segmentación, extracción de características, generación de imágenes y la clasificación. El alcance de la investigación crecería con un procesamiento y segmentación correcta en imágenes complicadas, con muchos objetos, con superposiciones. En esta tesis se abordó la generación de imágenes con la GAN, aunque sería interesante ver otros métodos y técnicas, pues, en los casos donde las muestras son muy pocas, sería muy útil que las imágenes sintéticas puedan ser utilizadas para entrenar una red profunda con la cual se clasifiquen correctamente toda clase de imágenes reales. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | CLASIFICACIÓN DE PARÁSITOS EN IMÁGENES DIGITALES DE MUESTRAS DE COPRO MEDIANTE APRENDIZAJE DE MÁQUINA | es_MX |
| dc.title | CLASIFICACIÓN DE PARÁSITOS EN IMÁGENES DIGITALES DE MUESTRAS DE COPRO MEDIANTE APRENDIZAJE DE MÁQUINA | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | Chacón Murguía, Mario Ignacio#CABR720221HCHHLL09 | - |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Instituto Tecnológico de Chihuahua | es_MX |
| Appears in Collections: | Maestría en Ciencias en Ingeniería Electrónica | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Tesis Gutierrez Velazquez Miguel Angel.pdf | 4.39 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
