Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/5885Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Morales Xicohtencatl, Mildred%780489 | - |
| dc.creator | Morales Xicohtencatl, Mildred%780489 | - |
| dc.date.accessioned | 2023-06-26T20:50:10Z | - |
| dc.date.available | 2023-06-26T20:50:10Z | - |
| dc.date.issued | 2018-10-12 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/5885 | - |
| dc.description | Una imagen de resonancia magnética es utilizada para evaluar la anatomía de la estructura cerebral humana, ya que proporciona una visión de la distribución cerebral; formada por la materia blanca, materia gris y líquido cefalorraquídeo. La complejidad de la segmentación de una imagen de resonancia magnética cerebral, surge por las condiciones inherentes como, presencia de tejidos no blandos, falta de límites bien definidos, ruido, volumen parcial e inhomogeneidad de intensidades; es decir la complejidad de la segmentación surge de las diferentes condiciones en las imágenes, por lo tanto la segmentación de imágenes médicas se considera una tarea desafiante. En esta tesis se describe la propuesta, desarrollo e implementación de un método de segmentación no paramétrica de tejidos cerebrales, basada en una arquitectura paralela de Redes Neuronales Convocionales. Este tipo de Redes Neuronales Artificiales son consideradas técnicas de Aprendizaje Profundo(Deep Learning), por el número de capas del cual está compuesto un modelo. El modelo base utilizado para la adaptación de una arquitectura paralela, fue U-Net. La arquitectura implementada está compuesta de cuatro redes Redes Neuronales Convolucionales, a las cuales les fue realizando un ajuste paramétrico, para su entrenamiento individual. Cada uno de los modelos que componen a la arquitectura paralela, logra realizar la segmentación binaria de un tejido cerebral; mediante la unificación de tejidos se obtiene una segmentación completa de la imagen evaluada. Los repositorios de imágenes utilizadas fueron Brain Web para entrenamiento y BraTS 2017 para la validación y pruebas. A los estudios de resonancia magnética utilizados para entrenamiento les fue realizado un pre-procesamiento para la supresión de tejidos no blandos, seguido a una transformación a formato TIF(Tagged Image File Format)para su uso en los framework Keras y TYensorFlow; finalmente para contar con número aceptable de imágenes para la realización para de un entrenamiento desde cero, fue realizado un aumento de información. Se utilizó una muestra de estudios e imágenes del repositorio BraTS 2017 para pruebas en las cuales se logró la detección de las regiones que componen a la imagen de resonancia magnética cerebral. Ésto sin realizar una inicialización de parámetros o indicación del número de regiones esperadas, aún con la variación de regiones en las imágenes cerebrales. Se desarrolló un entorno de trabajo en Jupyter notebok; mediante la programación de Scripts en lenguajes Python y C. Para proveer de un entorno que facilitara el entrenamiento de la arquitectura paralela, así como las pruebas de segmentación por imagen o estudio. El entorno de trabajo también permite la visualización de resultados en forma cualitativa y cuantitativa. Para los resultados cuantitivos se utilizaron las siguientes métricas: Jaccard,Coeficiente de similaridad Dice (Dice Similarity Coefficient) y área bajo la curva (AUC); el resultado de las métricas se encuentra en un intervalo del (0,1), donde 1 representa la precisión máxima entre la segmentación predicha y el ground truth. En promedio los resultados obtenidos con el repositorio BrainWeb fueron de 0.9653 con la métrica Jaccard, 0.9438 para DSC. La segmentación de acuerdo al área bajo la curva para la materia blanca fue de 0.90, en la materia gris gris 0.87, un 0.93 para el líquido cefalorraquídeo y 0.88 para el fondo. En cuanto al repositorio BraTS 2017 se obtuvo 0.9692 con la métrica Jaccard, 0.9619 con DSC, los valores del área bajo la curva fueron de 0.93 para la materia blanca,0.86 materia gris,0.89 líquido cefalorraquídeo,0.87 para la anormalidad y 0.95 para el fondo. | 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 | Segmentación, Redes Neuronales Convolucionales, Imagen de resonancia magnética, Aprendizaje Profundo. | es_MX |
| dc.title | Segmentación no Paramétrica de Tejidos Cerebrales Mediante una Arquitectura Paralela de Redes Neuronales Convolucionales | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | Mujica Vargas, Dante%229106 | - |
| dc.contributor.director | Pinto Elias, Raul%16149 | - |
| dc.folio | 1147 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Maestría en Computación | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MC_Mildred_Morales_Xicohtencatl_2018.pdf | Tesis | 10.28 MB | Adobe PDF | View/Open |
| MC_Mildred_Morales_Xicohtencatl_2018_c.pdf Restricted Access | Cesión de Derechos | 136.31 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
