Ver Estadísticas

Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

  1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
  2. Tesis de Posgrado
  3. Guanajuato
  4. Instituto Tecnológico de León (Posgrado)
  5. Tesis de Maestría
  6. Maestría en Ciencias de la Computación

Utilize este identificador para referenciar este registo: https://rinacional.tecnm.mx/jspui/handle/TecNM/5530
Registo completo
Campo DCValorIdioma
dc.contributor.authorHERNANDEZ AGUIRRE, ANA EVELIA%1108752-
dc.creatorHERNANDEZ AGUIRRE, ANA EVELIA%1108752-
dc.date.accessioned2023-04-22T03:15:09Z-
dc.date.available2023-04-22T03:15:09Z-
dc.date.issued2023-01-26-
dc.identifier.urihttps://rinacional.tecnm.mx/jspui/handle/TecNM/5530-
dc.descriptionEl objetivo de este proyecto es realizar una clasificación por medio de imágenes de Tomografías Computarizadas (TC) torácicas de pacientes con y sin Covid-19, haciendo uso de 2 datasets (conjunto de imágenes de pacientes con Covid-19 y sin Covid-19). Se realizó un preprocesamiento de las imágenes para tomar el área de interés (zona pulmonar) para continuar procesando las imágenes con el algoritmo Local Binary Pattern (LBP) y sus variantes (LBP Original, Uniforme e Invariante a la rotación). Se observaron y analizaron los resultados para poder tomar la decisión de que tipo de variante LBP usar para la clasificación, y en este caso se eligió el LBP uniforme para extraer sus patrones correspondientes. De esta manera se pudo clasificar en dos clases (Con covid-19 y sin Covid-19) implementando una red neuronal perceptrón multicapa. El método de segmentación empleado para la extracción de las regiones de interés, permitió quitar la mayoría del ruido por medio de una elipse, donde se encierra el área pulmonar. Este método mencionado anteriormente no fue exactamente preciso para todas las imágenes de los dos datasets, en algunos casos se toma más allá de la región de interés necesaria, esto influyó en la exactitud de la clasificación la cual no fue superior a 60%. En los 11 experimentos realizados, el promedio de exactitud fue 47.72%, la mayor exactitud 58.0% y la menor exactitud 42.0% del total de experimentos realizados. En trabajo de investigación y la implementación realizada, nos proporciona información suficiente (resultados) para darnos cuenta que se requiere modificar el método implementado. Existieron varios factores que influyeron negativamente en los resultados, tales como lo es la variación de contraste en las imágenes de los datasets y anotaciones sobre dichas imágenes que afectaban al área de interés. Con los resultados obtenidos, se pueden realizar cambios necesarios para probar otros métodos a seguir y comparar resultados con los de esta investigación.es_MX
dc.language.isospaes_MX
dc.publisherTecnológico Nacional de Méxicoes_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subjectinfo:eu-repo/classification/cti/7es_MX
dc.subject.otherCOVID-19es_MX
dc.subject.otherDiagnóstico por imágenes_MX
dc.subject.otherTomografíaes_MX
dc.subject.otherImágenes por resonancia magnéticaes_MX
dc.subject.otherProcesamiento de imágeneses_MX
dc.subject.otherSistemas de reconocimiento de patroneses_MX
dc.subject.otherTécnicas digitaleses_MX
dc.subject.otherVisión por computadoraes_MX
dc.subject.otherPatrón binario locales_MX
dc.subject.otherRedes neuronaleses_MX
dc.titleANALISIS DE IMAGENES DE TC TORACICA PARA LA IDENTIFICACION DE COVID-19 MEDIANTE EL ALGORITMO LOCAL BINARY PATTERNes_MX
dc.typeinfo:eu-repo/semantics/masterThesises_MX
dc.contributor.directorGUTIERREZ HERNANDEZ, DAVID ASAEL%167864-
dc.folioTecNM-ITL_MCC-016es_MX
dc.rights.accessinfo:eu-repo/semantics/openAccesses_MX
dc.publisher.tecnmInstituto Tecnológico de Leónes_MX
Aparece nas colecções:Maestría en Ciencias de la Computación

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
016.-TESIS-COMPLETA_ANA-EVELIA-HERNÁNDEZ-AGUIRRE.pdfAnálisis de imágenes de TC torácica para la identificación de COVID-19 mediante el algoritmo Local Binary Pattern - tesis 016 de MCC del ITL4.75 MBAdobe PDFVer/Abrir


Este registo está protegido por copyright original.

Ver licença
Mostrar registo em formato simples Visualizar estatísticas


Este registo está protegido por Licença Creative Commons Creative Commons