Diseño de una metodología para el procesamiento de imágenes mamográficas basada en técnicas de Aprendizaje Profundo

Pérez Pérez, Elia (2017). Diseño de una metodología para el procesamiento de imágenes mamográficas basada en técnicas de Aprendizaje Profundo. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Telecomunicación (UPM), Madrid.

Description

Title: Diseño de una metodología para el procesamiento de imágenes mamográficas basada en técnicas de Aprendizaje Profundo
Author/s:
  • Pérez Pérez, Elia
Contributor/s:
  • Sánchez Ávila, Carmen
Item Type: Final Project
Degree: Grado en Ingeniería de Tecnologías y Servicios de Telecomunicación
Date: 2017
Subjects:
Freetext Keywords: APRENDIZAJE DE MÁQUINA, REDES NEURONALES PROFUNDAS, REDES NEURONALES CONVOLUCIONALES, ANALISIS DE IMAGEN MÉDICA, MAMOGRAFÍA, SEGMENTACIÓN DE IMAGEN.
Faculty: E.T.S.I. Telecomunicación (UPM)
Department: Matemática Aplicada a las Tecnologías de la Información y las Comunicaciones
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB) | Preview

Abstract

El Aprendizaje Profundo es un subcampo dentro del Aprendizaje de Máquina que utiliza diferentes algoritmos de aprendizaje automático para modelar abstracciones de alto nivel en datos usando arquitecturas jerárquicas, conocidas como redes neuronales profundas (DNNs). Entre los múltiples algoritmos que se pueden encontrar, existen algunos como las redes neuronales convolucionales (CNNs), los autocodificadores y las redes recurrentes (RNNs), que pueden ser de gran ayuda a la hora de analizar imágenes médicas. El gran potencial que tienen estas técnicas para el análisis de imagen médica reside en su velocidad y eficacia una vez que se tienen una gran cantidad de datos. Su uso se puede aplicar a tareas tan diversas como la detección y segmentación de tumores, así como su seguimiento y control; la visualización y cuantificación del flujo sanguíneo, o a la creación de sistemas de ayuda para interpretación de resultados médicos. Por lo tanto, es lógico pensar que en un futuro serán técnicas cada vez más utilizadas, convirtiéndose muchas de estas tareas algo propio de un ordenador. Los objetivos de este Trabajo de Fin de Grado son los siguientes: - La introducción al Aprendizaje Profundo y a los distintos algoritmos que se emplean actualmente, destacando sus ventajas y desventajas. - Revisar el estado del arte de las técnicas de Aprendizaje Profundo usadas para el análisis de imágenes médicas, así como la identificación de los campos médicos en los que estos algoritmos pueden ser de utilidad. - La identificación de los algoritmos de Aprendizaje Profundo que pueden emplearse en el análisis de imágenes mamográficas. - El diseño de una metodología específica para el procesamiento de imágenes mamográficas utilizando las técnicas mencionadas. Para ello se llevará a cabo un amplio estudio del estado del arte de los diversos algoritmos de Aprendizaje Profundo y de sus usos en el análisis de imagen médica. También se trabajará en la familiarización con algunos de los algoritmos más directamente relacionados con la segmentación de imagen, por su aplicabilidad a la detección de masas y microcalcificaciones en mamografía digital, que serán de vital importancia en la metodología diseñada. Para ello se emplearán distintas fuentes bibliográficas de referencia. Para finalizar, con este Proyecto se quieren señalar las múltiples aplicaciones que tienen los algoritmos de Aprendizaje Profundo en medicina, y resaltar como su uso ayudará a los médicos a tomar mejores decisiones, así como a mejorar los resultados médicos tanto en términos de tiempo como de eficacia.

More information

Item ID: 47315
DC Identifier: http://oa.upm.es/47315/
OAI Identifier: oai:oa.upm.es:47315
Deposited by: Biblioteca ETSI Telecomunicación
Deposited on: 24 Jul 2017 11:55
Last Modified: 24 Jul 2017 11:55
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM