Classificació automàtica de plans ecogràfics en ecografies prenatals
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/173399
Correu electrònic de l'autorvicentperezgregorigmail.com
Tipus de documentTreball Final de Grau
Data2018-06-26
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
La Intel·ligència Artificial ha anat progressant al llarg de les últimes dècades a un ritme vertiginós, que ha permès entre altres àrees, un gran avanç en l’aprenentatge automàtic (més conegut pel seu nom en anglès com Machine Learning). Un dels principals camps que s’han beneficiat d’aquests progressos tecnològics ha sigut la Visió per Computador, que té en l’Àmbit d’Imatges Mèdiques una gran quantitat de reptes emocionants.La utilització d’aquest tipus de tecnologies ha esdevingut en un augment considerable de les eines de que disposen els professionals mèdics a l’hora de prendre millors decisions sobre la salut dels pacients. En particular, l’àreade la Imatge Mèdica que té un paper més important en l’atenció prenatal és l’ecografia obstetrícia, mètode que proporcionaun diagnòstic lo més precís possible de les anomalies estructurals fetals amb l’objectiu d’optimitzar l’evolució en el període de la gestació i perinatal.Per tant, el desenvolupament d’una eina amb la capacitat d’identificar automàticament els patrons d’aquests talls biomètrics esdevé una necessitat.Aquesta tesi pretén trobar un mètode que permeti classificar automàticament els diferents Talls Biomètrics Fetals Estàndard realitzats a la rutina de l’Ecografia Obstètrica del Primer Trimestre d’embaràs. L’estratègia proposada es basa en l’aplicació de tècniques d’aprenentatge supervisat, amb la utilització de CNN (Xarxes Neuronals de Convolució), mitjançant dues metodologies. La primera alternativa consisteix en la utilització d’una CNN com a Extractor de Característiques i seguit d’un classificador SVM (Support Vector Machine). La segona en canvi consisteix en la utilització d’una CNN capaç de realitzar tot aquest procés. Finalment, una avaluació comparativa de les prestacions que ofereixen cadascuna d’aquestes alternatives determina quina alternativa és la més adient.
TitulacióGRAU EN ENGINYERIA BIOMÈDICA (Pla 2009)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
TFG-VicentPerezGregori.pdf | 2,294Mb | Visualitza/Obre |