Diagnóstico Automático de la Figura Compleja de Rey mediante Redes Siamesas
El uso de las últimas técnicas en Inteligencia Artificial como herramienta de ayuda en el ámbito médico es un reto actual e irrenunciable. En este contexto, los métodos de detección de similitudes y las Redes Neuronales Convolucionales utilizadas en tareas de visión artificial para la extracción de...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Data de publicação: | 2020 |
| País: | España |
| Recursos: | Universidad Nacional de Educación a Distancia |
| Repositório: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | espanhol |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/14604 |
| Acesso em linha: | https://hdl.handle.net/20.500.14468/14604 |
| Access Level: | Acceso aberto |
| Palavra-chave: | 1203.04 Inteligencia artificial prueba figura compleja de rey redes neuronales siamesas triplets deterioro cognitivo leve |
| Resumo: | El uso de las últimas técnicas en Inteligencia Artificial como herramienta de ayuda en el ámbito médico es un reto actual e irrenunciable. En este contexto, los métodos de detección de similitudes y las Redes Neuronales Convolucionales utilizadas en tareas de visión artificial para la extracción de características pueden contribuir enormemente al análisis de pruebas médicas basadas en dibujos a mano alzada. Este trabajo reúne ambas ideas y presenta la utilización de las Redes Neuronales Siamesas para realizar un diagnóstico automático de enfermedades neurodegenerativas basado en la prueba de la Figura Compleja de Rey. Profundiza en la idoneidad de este tipo de redes y realiza un estudio comparativo de 3 arquitecturas diferentes: una Red Neuronal Artificial, una Red Neuronal Siamesa y una modificación de ésta para su entrenamiento mediante triplets. Para ello, se dispone de cerca de 500 dibujos recogidos en un estudio de investigación en el campo de la neuropsicología, realizados por pacientes sanos o con algún grado de deterioro cognitivo. Debido al reducido número de instancias, se propone el preentrenamiento de las redes con la técnica de Transfer Learning mediante un dataset de dibujos mucho mayor y de características similares. |
|---|