Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte

Actualmente no existe una evidencia plenamente clara sobre la relación de las WMHs con enfermedades neurológicas, lo que supone una cuestión de relevancia en investigación. Por este motivo, se considera muy importante detectar, cuantificar y caracterizar las WMHs en personas que sufren este tipo de...

Descripción completa

Detalles Bibliográficos
Autor: López de la Franca Sánchez Cano, Francisco
Tipo de recurso: tesis de maestría
Fecha de publicación:2016
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:20.500.14468/14185
Acceso en línea:https://hdl.handle.net/20.500.14468/14185
Access Level:acceso abierto
Palabra clave:1203.04 Inteligencia artificial
id ES_e7665b71ddd013a2d094f3a8c090ee3d
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/14185
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte
title Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte
spellingShingle Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte
López de la Franca Sánchez Cano, Francisco
1203.04 Inteligencia artificial
title_short Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte
title_full Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte
title_fullStr Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte
title_full_unstemmed Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte
title_sort Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector Soporte
dc.creator.none.fl_str_mv López de la Franca Sánchez Cano, Francisco
author López de la Franca Sánchez Cano, Francisco
author_facet López de la Franca Sánchez Cano, Francisco
author_role author
dc.contributor.none.fl_str_mv Rincón Zamorano, Mariano
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.04 Inteligencia artificial
topic 1203.04 Inteligencia artificial
description Actualmente no existe una evidencia plenamente clara sobre la relación de las WMHs con enfermedades neurológicas, lo que supone una cuestión de relevancia en investigación. Por este motivo, se considera muy importante detectar, cuantificar y caracterizar las WMHs en personas que sufren este tipo de patologías. La delineación manual de WMHs es una tarea con un alto coste en tiempo y propensa a errores humanos. Por tanto, es obvio y justificable buscar un método robusto y lo más automático posible, para reconocer este tipo de objeto amorfo. Este trabajo se basa en el resultado de una segmentación completamente automática llevada a cabo por el proyecto AMOS-2D, donde el objetivo es detectar y clasificar manchas de sustancia blanca a partir de imágenes de resonancia magnética, utilizando técnicas de aprendizaje automático, como una herramienta de ayuda al diagnóstico al experto humano. A partir de los objetos detectados por AMOS-2D se desarrolla un conjunto de librerías con el fin de reconocer WMHs por medio de descriptores espaciales, de forma y de textura, haciendo uso de algoritmos de aprendizaje automático como Redes Bayesianas y Máquinas de Vector Soporte. No obstante, el estudio se centra fundamentalmente en el análisis de discriminación de WMHs por descriptores de textura. Se concluye que el conjunto de datos de entrenamiento utilizado no permite resolver la clasificación con una tasa menor al 10% cuando se tienen en cuenta todas las instancias del mismo. Sin embargo, filtrando verticalmente el conjunto de datos, el rendimiento del clasificador mejora a costa de descompensar la proporción de valores de la clase. Como trabajo futuro, sería interesante hacer un estudio en 3D y comparar con los resultados obtenidos en este trabajo para poder valorar si el rendimiento del sistema mejora o no al añadir una dimensión espacial.
publishDate 2016
dc.date.none.fl_str_mv 2016
2016-10-07
2016
2016-10-07
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/20.500.14468/14185
url https://hdl.handle.net/20.500.14468/14185
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_ 1869422851427139584
spelling Clasificación y caracterización de manchas de Sustancia Blanca por Descriptores de Textura en imágenes de Resonancia Magnética, usando Redes Bayesianas y Máquinas de Vector SoporteLópez de la Franca Sánchez Cano, Francisco1203.04 Inteligencia artificialActualmente no existe una evidencia plenamente clara sobre la relación de las WMHs con enfermedades neurológicas, lo que supone una cuestión de relevancia en investigación. Por este motivo, se considera muy importante detectar, cuantificar y caracterizar las WMHs en personas que sufren este tipo de patologías. La delineación manual de WMHs es una tarea con un alto coste en tiempo y propensa a errores humanos. Por tanto, es obvio y justificable buscar un método robusto y lo más automático posible, para reconocer este tipo de objeto amorfo. Este trabajo se basa en el resultado de una segmentación completamente automática llevada a cabo por el proyecto AMOS-2D, donde el objetivo es detectar y clasificar manchas de sustancia blanca a partir de imágenes de resonancia magnética, utilizando técnicas de aprendizaje automático, como una herramienta de ayuda al diagnóstico al experto humano. A partir de los objetos detectados por AMOS-2D se desarrolla un conjunto de librerías con el fin de reconocer WMHs por medio de descriptores espaciales, de forma y de textura, haciendo uso de algoritmos de aprendizaje automático como Redes Bayesianas y Máquinas de Vector Soporte. No obstante, el estudio se centra fundamentalmente en el análisis de discriminación de WMHs por descriptores de textura. Se concluye que el conjunto de datos de entrenamiento utilizado no permite resolver la clasificación con una tasa menor al 10% cuando se tienen en cuenta todas las instancias del mismo. Sin embargo, filtrando verticalmente el conjunto de datos, el rendimiento del clasificador mejora a costa de descompensar la proporción de valores de la clase. Como trabajo futuro, sería interesante hacer un estudio en 3D y comparar con los resultados obtenidos en este trabajo para poder valorar si el rendimiento del sistema mejora o no al añadir una dimensión espacial.There is no currently a completely clear evidence on the relation between WMHs and neurological diseases, what implies a question of relevance in investigation. For this reason, it is very important to detect, quantify and characterize WMHs on people suffering this kind of pathologies. The manual WMH outlining is a time consuming task and prone to human mistakes. So, it is obvious and reasonable to search for a robust and as much automatic as possible method in order to recognize this kind of amorphous object. This work is based on the results from a fully automatic segmentation carried out by the project AMOS-2D, where the target is detecting and classifying white matter hyperintensities from magnetic resonance images, by using machine learning techniques, as a diagnostic support tool for the human expert. From the segmented objects by AMOS-2D, a set of libraries is developed with the aim of recognizing WMHs through spatial, shape and texture descriptors making use of machine learning algorithms as Bayesian Networks and Support Vector Machines. Nevertheless, the study is focused mainly on the discriminatory analysis of WMHs by texture characteristics. The conclusion is that the used training dataset does not allow us to solve the WMH classification with an error rate less than 10 percentage when all the dataset instances are taken into account. However, when applying some filters vertically to the dataset, the classifier performance improves at the expense of unbalancing the proportion of class values. As future work, a 3D study would be interesting and compare its results with the achieved ones of this work in order to appreciate whether the system performance improves or not when adding a spatial dimension.Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial.Rincón Zamorano, Marianoe-Spacio UNED20242024-05-2020162016-10-0720162016-10-07master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/14185reponame: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:20.500.14468/141852026-06-06T12:38:31Z
score 15,812429

Similares en LA Referencia