Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/139006
Título : | Algoritmo de clasificación de lesiones en exámenes mamográficos |
Autoría: | Bustos Pelegri, Joel |
Tutor: | Martínez Maldonado, Sergi |
Otros: | Rius, Àngels |
Resumen : | El uso de técnicas de visión por computador aplicadas en el campo de la medicina, permiten acelerar el proceso de detección de cualquier tipo de enfermedad ayudando a los especialistas a la realización de diagnósticos y, por ende, reduciendo la tasa de mortalidad al detectar posibles sintomatologías durante etapas prematuras. En concreto, las redes neuronales convolucionales forman parte del estado del arte en tareas de clasificación de imágenes gracias a que su arquitectura bidimensional se asemeja a la estructura de los datos de entrada. En este trabajo, se han utilizado 4 arquitecturas de redes neuronales convolucionales para clasificar los distintos tipos de lesiones presentes en imágenes mamográficas como malignos o benignos. Las decisiones tomadas por cada arquitectura han sido combinadas mediante un algoritmo Random Forest con el objetivo de emular el diagnóstico realizado por distintos especialistas a la hora de analizar un examen mamográfico. La herramienta final generada a partir de la combinación secuencial de clasificadores, ha presentado métricas del 92 % para la clasificación de muestras benignas y malignas del set de datos MIAS. |
Palabras clave : | deep learning aprendizaje profundo redes convolucionales diagnóstico de cáncer de mama |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | 2-ene-2022 |
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 | |
---|---|---|---|---|
jbustospelegriTFM0122memoria.pdf | Memoria del TFM | 4,66 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons