Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/122926
Título : | Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética |
Autoría: | Oyarzo Huichaqueo, Marco Antonio |
Tutor: | Puig Valls, Domènec Savi |
Resumen : | La osteoartritis (OA) es una enfermedad común a nivel mundial, que afecta especialmente a los adultos mayores, causando incapacidad física y un impacto en la calidad de vida. En el proceso de diagnóstico de la OA un médico especialista emplea imágenes médicas para diagnosticar su grado de avance a partir del análisis fisiopatológico de la enfermedad. Hoy en día, esta compleja tarea de diagnóstico es un campo de investigación para el aprendizaje automático (ML) y su forma de aprendizaje supervisada. En este Trabajo se presenta el desarrollo de clasificadores de ML para la clasificación de OA de rodilla, según la escala de severidad de Kellgren-Lawrence. Para el desarrollo de los clasificadores se estudiaron distintas redes neuronales convolucionales (CNN): VGG16, InceptionV3, Xception, MobileNet y DenseNet121 en base a imágenes de resonancia magnética (MRI) de pacientes, obtenidas desde la base datos Iniciativa de Osteoartritis (OAI). El enfoque del Trabajo combina dos métodos de aprendizaje por transferencia: modelos de clasificación a partir de CNN pre-entrenadas; y modelos de clasificación de máquinas de vector de soporte (SVM) en base a características extraídas desde CNN pre-entrenadas y la técnica de análisis de componentes principales (PCA). Además, a fin de incrementar la exactitud de predicción de los modelos entrenados para la clasificación de OA, se estudió un método de ensamble: la técnica de mayoría de votos. Finalmente, los resultados obtenidos del experimento demuestran que el método de ensamble es capaz de aumentar la exactitud de predicción desde 55.3% a un 60.6% en la clasificación de OA. |
Palabras clave : | diagnóstico de osteoartritis aprendizaje automático aprendizaje por transferencia |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | sep-2020 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Aparece en las colecciones: | Bachelor thesis, research projects, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
moyarzoTFM0920memoria.pdf | Memoria del TFM | 3,31 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons