Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética

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 p...

ver descrição completa

Detalhes bibliográficos
Autor: Oyarzo Huichaqueo, Marco Antonio
Tipo de documento: dissertação
Data de publicação:2020
País:España
Recursos:Universitat Oberta de Catalunya (UOC)
Repositório:O2, repositorio institucional de la UOC
OAI Identifier:oai:openaccess.uoc.edu:10609/122926
Acesso em linha:http://hdl.handle.net/10609/122926
Access Level:Acceso aberto
Palavra-chave:diagnóstico de osteoartritis
aprendizaje automático
aprendizaje por transferencia
transfer of learning
machine learning
osteoarthritis diagnosis
aprenentatge per transferència
aprenentatge automàtic
diagnòstic de osteoartritis
Machine learning -- TFM
Aprenentatge automàtic -- TFM
Aprendizaje automático -- TFM
id ES_507bd3e58ba648cb9086dfd26e2ef8da
oai_identifier_str oai:openaccess.uoc.edu:10609/122926
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética
title Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética
spellingShingle Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética
Oyarzo Huichaqueo, Marco Antonio
diagnóstico de osteoartritis
aprendizaje automático
aprendizaje por transferencia
transfer of learning
machine learning
osteoarthritis diagnosis
aprenentatge per transferència
aprenentatge automàtic
diagnòstic de osteoartritis
Machine learning -- TFM
Aprenentatge automàtic -- TFM
Aprendizaje automático -- TFM
title_short Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética
title_full Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética
title_fullStr Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética
title_full_unstemmed Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética
title_sort Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnética
dc.creator.none.fl_str_mv Oyarzo Huichaqueo, Marco Antonio
author Oyarzo Huichaqueo, Marco Antonio
author_facet Oyarzo Huichaqueo, Marco Antonio
author_role author
dc.contributor.none.fl_str_mv Puig Valls, Domènec Savi
dc.subject.none.fl_str_mv diagnóstico de osteoartritis
aprendizaje automático
aprendizaje por transferencia
transfer of learning
machine learning
osteoarthritis diagnosis
aprenentatge per transferència
aprenentatge automàtic
diagnòstic de osteoartritis
Machine learning -- TFM
Aprenentatge automàtic -- TFM
Aprendizaje automático -- TFM
topic diagnóstico de osteoartritis
aprendizaje automático
aprendizaje por transferencia
transfer of learning
machine learning
osteoarthritis diagnosis
aprenentatge per transferència
aprenentatge automàtic
diagnòstic de osteoartritis
Machine learning -- TFM
Aprenentatge automàtic -- TFM
Aprendizaje automático -- TFM
description 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.
publishDate 2020
dc.date.none.fl_str_mv 2020
2020
2020
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10609/122926
url http://hdl.handle.net/10609/122926
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Universitat Oberta de Catalunya (UOC)
instname_str Universitat Oberta de Catalunya (UOC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869407893569142784
spelling Aprendizaje supervisado en detección de osteoartritis de rodilla a partir de imágenes de resonancia magnéticaOyarzo Huichaqueo, Marco Antoniodiagnóstico de osteoartritisaprendizaje automáticoaprendizaje por transferenciatransfer of learningmachine learningosteoarthritis diagnosisaprenentatge per transferènciaaprenentatge automàticdiagnòstic de osteoartritisMachine learning -- TFMAprenentatge automàtic -- TFMAprendizaje automático -- TFMLa 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.Osteoarthritis (OA) is a common disease worldwide, which especially affects older adults, causing physical disability and an impact on quality of life. In the process of diagnosing OA, a specialist doctor uses medical images to diagnose its degree of progress based on the pathophysiological analysis of the disease. Today, this complex diagnostic task is a research field for machine learning (ML) and its form of supervised learning. This Work presents the development of ML classifiers for the classification of knee OA, according to the Kellgren-Lawrence severity scale. For the development of the classifiers, different convolutional neural networks (CNN) were studied: VGG16, InceptionV3, Xception, MobileNet and DenseNet121 based on magnetic resonance images (MRI) of patients, obtained from the Osteoarthritis Initiative (OAI) database. The Work approach combines two transfer learning methods: classification models from pre-trained CNNs; and support vector machine (SVM) classification models based on features extracted from pre-trained CNNs and the principal component analysis (PCA) technique. Furthermore, in order to increase the prediction accuracy of the trained models for OA classification, an assembly method was studied: the majority vote technique. Finally, the results obtained from the experiment show that the assembly method is capable of increasing the prediction accuracy from 55.3% to 60.6% in the OA classification.La osteoartritis (OA) és una malaltia comuna a nivell mundial, que afecta especialment els adults majors, causant incapacitat física i un impacte en la qualitat de vida. En el procés de diagnòstic de la OA un metge especialista empra imatges mèdiques per a diagnosticar el seu grau d'avanç a partir de l'anàlisi fisiopatològica de la malaltia. Avui dia, aquesta complexa tasca de diagnòstic és un camp de recerca per a l'aprenentatge automàtic (ML) i la seva forma d'aprenentatge supervisada. En aquest Treball es presenta el desenvolupament de classificadors de ML per a la classificació de OA de genoll, segons l'escala de severitat de Kellgren-Lawrence. Per al desenvolupament dels classificadors es van estudiar diferents xarxes neuronals convolucionals (CNN): VGG16, InceptionV3, Xception, MobileNet i DenseNet121 sobre la base d'imatges de ressonància magnètica (MRI) de pacients, obtingudes des de la base dades Iniciativa de Osteoartritis (OAI). L'enfocament del Treball combina dos mètodes d'aprenentatge per transferència: models de classificació a partir de CNN pre-entrenades; i models de classificació de màquines de vector de suport (SVM) sobre la base de característiques extretes des de CNN pre-entrenades i la tècnica d'anàlisi de components principals (PCA). A més, a fi d'incrementar l'exactitud de predicció dels models entrenats per a la classificació de OA, es va estudiar un mètode d'assembli: la tècnica de majoria de vots. Finalment, els resultats obtinguts de l'experiment demostren que el mètode d'assembli és capaç d'augmentar l'exactitud de predicció des de 55.3% a un 60.6% en la classificació de OA.Universitat Oberta de Catalunya (UOC)Puig Valls, Domènec Savi202020202020info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/10609/122926reponame:O2, repositorio institucional de la UOCinstname:Universitat Oberta de Catalunya (UOC)EspañolCC BY-NC-NDhttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/1229262026-05-28T12:42:01Z
score 15.300724

Registros relacionados