Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica

La fiebre reumática es una enfermedad infecciosa que afecta con mayor frecuencia a los niños de 5 a 15 años, aunque se puede presentar también en adultos y muy rara vez en niños más pequeños. Suele causar daños en varias partes del cuerpo, especialmente en las válvulas del corazón, dando lugar así a...

Descripción completa

Detalles Bibliográficos
Autor: Castilla Cebas, Itziar Marta
Tipo de recurso: tesis de maestría
Fecha de publicación:2023
País:España
Institución:Universidad Nacional de Educación a Distancia
Repositorio:e-spacio. Repositorio Institucional de la UNED
Idioma:español
OAI Identifier:oai:e-spacio.uned.es:20.500.14468/14632
Acceso en línea:https://hdl.handle.net/20.500.14468/14632
Access Level:acceso abierto
Palabra clave:1203.04 Inteligencia artificial
id ES_047af1c10ae8a8fdf0e76dd661bfabd9
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/14632
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica
title Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica
spellingShingle Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica
Castilla Cebas, Itziar Marta
1203.04 Inteligencia artificial
title_short Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica
title_full Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica
title_fullStr Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica
title_full_unstemmed Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica
title_sort Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica
dc.creator.none.fl_str_mv Castilla Cebas, Itziar Marta
author Castilla Cebas, Itziar Marta
author_facet Castilla Cebas, Itziar Marta
author_role author
dc.contributor.none.fl_str_mv Díez Vegas, Francisco Javier
Pérez Martín, Jorge
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.04 Inteligencia artificial
topic 1203.04 Inteligencia artificial
description La fiebre reumática es una enfermedad infecciosa que afecta con mayor frecuencia a los niños de 5 a 15 años, aunque se puede presentar también en adultos y muy rara vez en niños más pequeños. Suele causar daños en varias partes del cuerpo, especialmente en las válvulas del corazón, dando lugar así a la enfermedad cardíaca reumática (ECR). Se estima que en la actualidad esta enfermedad afecta a más de 30 millones de personas en el mundo y causa más de 300.000 muertes anuales, muchas de ellas de personas menores de 25 años, además de provocar invalidez permanente en muchos casos. Los problemas que ocasiona son más frecuentes durante el embarazo y el parto. En países endémicos la prevención primaria es complicada principalmente por la falta de acceso a servicios médicos cualificados por lo que la prevención secundaria, consistente en realizar un cribado mediante ecocardiografía para detectar los pacientes asintomáticos y aplicarles tratamiento profiláctico con penicilina, ha demostrado ser una vía de acción más efectiva. El principal objetivo de esta línea de TFM es diseñar un sistema inteligente que, mediante técnicas de inteligencia artificial aplicadas al procesamiento de imágenes ecocardiográficas, sirva de ayuda al diagnóstico de la enfermedad cardíaca reumática. He comparado cuatro arquitecturas diferentes: una red neuronal convolucional (CNN) con tres capas convolucionales, una ResUnet, U-Net y Laddernet. He probado diferentes técnicas para mejorar el rendimiento de los modelos y reducir sus problemas de generalización, incluyendo preprocesar las imágenes con filtro CLAHE, filtro ecualizado, filtro gaussiano, filtro de Sobel y aumento de datos. Así mismo he hecho pruebas de todas las arquitecturas con diferentes tamaños de kérnel 2, 3 y 4. Finalmente, en el conjunto de pruebas, he obtenido un valor de coeficiente DICE 0,805 para la arquitectura CNN propuesta; 0,890 para la arquitectura Laddernet, 0,895 para ResUnet, 0,894 para una red U-Net preentrenada y 0,911 para U-Net con aumento de datos.
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-09-01
2023
2023-09-01
2024
2024-05-20
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14468/14632
url https://hdl.handle.net/20.500.14468/14632
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
dc.source.none.fl_str_mv reponame:e-spacio. Repositorio Institucional de la UNED
instname:Universidad Nacional de Educación a Distancia
instname_str Universidad Nacional de Educación a Distancia
reponame_str e-spacio. Repositorio Institucional de la UNED
collection e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869402794691133440
spelling Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográficaCastilla Cebas, Itziar Marta1203.04 Inteligencia artificialLa fiebre reumática es una enfermedad infecciosa que afecta con mayor frecuencia a los niños de 5 a 15 años, aunque se puede presentar también en adultos y muy rara vez en niños más pequeños. Suele causar daños en varias partes del cuerpo, especialmente en las válvulas del corazón, dando lugar así a la enfermedad cardíaca reumática (ECR). Se estima que en la actualidad esta enfermedad afecta a más de 30 millones de personas en el mundo y causa más de 300.000 muertes anuales, muchas de ellas de personas menores de 25 años, además de provocar invalidez permanente en muchos casos. Los problemas que ocasiona son más frecuentes durante el embarazo y el parto. En países endémicos la prevención primaria es complicada principalmente por la falta de acceso a servicios médicos cualificados por lo que la prevención secundaria, consistente en realizar un cribado mediante ecocardiografía para detectar los pacientes asintomáticos y aplicarles tratamiento profiláctico con penicilina, ha demostrado ser una vía de acción más efectiva. El principal objetivo de esta línea de TFM es diseñar un sistema inteligente que, mediante técnicas de inteligencia artificial aplicadas al procesamiento de imágenes ecocardiográficas, sirva de ayuda al diagnóstico de la enfermedad cardíaca reumática. He comparado cuatro arquitecturas diferentes: una red neuronal convolucional (CNN) con tres capas convolucionales, una ResUnet, U-Net y Laddernet. He probado diferentes técnicas para mejorar el rendimiento de los modelos y reducir sus problemas de generalización, incluyendo preprocesar las imágenes con filtro CLAHE, filtro ecualizado, filtro gaussiano, filtro de Sobel y aumento de datos. Así mismo he hecho pruebas de todas las arquitecturas con diferentes tamaños de kérnel 2, 3 y 4. Finalmente, en el conjunto de pruebas, he obtenido un valor de coeficiente DICE 0,805 para la arquitectura CNN propuesta; 0,890 para la arquitectura Laddernet, 0,895 para ResUnet, 0,894 para una red U-Net preentrenada y 0,911 para U-Net con aumento de datos.Rheumatic fever is an infectious disease that most commonly affects children aged 5 to 15 years, although it can also occur in adults and very rarely in younger children. It usually causes damage to various parts of the body, especially the heart valves, thus giving rise to rheumatic heart disease (RHD). It is estimated that this disease currently affects more than 30 million people worldwide and causes more than 300,000 deaths annually, many of them in people under 25 years of age, as well as causing permanent disability in many cases. The problems it causes are most frequent during pregnancy and childbirth. In endemic countries, primary prevention is complicated mainly by the lack of access to qualified medical services, so secondary prevention, consisting of screening by echocardiography to detect asymptomatic patients and apply prophylactic treatment with penicillin, has proven to be a more effective course of action. The main objective of this line of TFM is to design an intelligent system that, by means of artificial intelligence techniques applied to echocardiographic image processing, will aid in the diagnosis of rheumatic heart disease. I have compared four different architectures: an convolutional neural network (CNN) with three convolutional layers, a ResUnet, U-Net and Laddernet. I have tested different techniques to improve the performance of the models and reduce their generalization problems, including preprocessing the images with CLAHE filter, equalized filter, Gaussian filter, Sobel filter and data augmentation. Likewise, I have tested all architectures with different kérnel sizes 2, 3 and 4. Finally, in the test dataset, I obtained a DICE coefficient value 0.805 for the proposed CNN architecture; 0.890 for the Laddernet architecture, 0.895 for ResUnet, 0.894 for a pre-trained UNet and 0.911 for U-Net with data augmentation.Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia ArtificialDíez Vegas, Francisco JavierPérez Martín, Jorgee-Spacio UNED20242024-05-2020232023-09-0120232023-09-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/14632reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/146322026-06-06T12:38:31Z
score 15,812429

Similares en LA Referencia