Desarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.

Simple item page
dc.contributor.advisorQuinayas Burgos, Cesar Augustospa
dc.contributor.authorMartinez Ojeda, Gonzalo Enriquespa
dc.creator.cedula20561514009spa
dc.date.accessioned2022-03-04T19:49:49Z
dc.date.available2022-03-04T19:49:49Z
dc.date.issued2022-01-27spa
dc.description.abstractMedicine has grown considerably with technology in recent years, tools such as Machine Learning in the medical area are some of the most technical that represent a great benefit for the prevention and diagnosis of pathology in patients. In this work, a convolutional neural network consisting of two convolution layers and a feedforward network with 128 neurons and an output layer with three neurons is implemented in Python for the classification of scoliosis type C and S and healthy patients from RX images. of column of a Kaggle database and a proprietary database obtained from the Sagrado Corazón de Jesús Hospital, with the purpose that this algorithm serves as support to physiotherapists and orthopedists in decision making and that it can be carried out in a shorter time. The results obtained during the development of the tests indicate that the tool has an acceptable degree of accuracy compared to other articles such as "Development and Validation of Deep Learning Algorithms For Scoliosis Screening Using Back Images" Which Has An Accuracy Over 80% Using Back Images. Real-time patients or photographs that included a total of 3240 images for training (including 1029 men and 2211 women) and for validation a total of 400 images (300 images with scoliosis and 100 of healthy patients), however the implemented classifier In this work, a limited sample of images was trained and validated (150 images, divided into 75 images for training and 75 images for testing), obtaining a success rate of 94%, which can be a support tool for the diagnosis of the type of scoliosis in an automated way, unlike conventional methodseng
dc.description.abstractLa medicina ha crecido de una forma considerable con la tecnología en los últimos años, las herramientas como el Machine Learning en el área médica son unas de las más tecnificadas que representan un gran beneficio para la prevención y diagnóstico de patología en pacientes. En este trabajo se implementa en Python una red neuronal convolucional constituida por dos capas de convolución y una red feedforward con 128 neuronas y una capa de salida con tres neuronas para la clasificación de escoliosis tipo C y S y pacientes sanos a partir de imágenes de RX de columna de una base de datos de Kaggle y una base de datos propia obtenida del Hospital Sagrado Corazón de Jesús, con el propósito de que este algoritmo sirva de apoyo a los fisioterapeutas y ortopedistas en la toma de decisiones y que se pueda realizar en un menor tiempo. Los resultados obtenidos durante el desarrollo de las pruebas indican que la herramienta tiene un grado aceptable de precisión comparada otros artículos como “Development and validation of deep learning algorithms for scoliosis screening using back images” que tiene una precisión superior al 80% utilizando imágenes de pacientes en tiempo real o fotografías que incluyeron un total de 3240 imágenes para el entrenamiento (incluidos 1029 hombres y 2211 mujeres) y para la validación un total de 400 imágenes(300 imágenes con escoliosis y 100 de pacientes sanos), sin embargo el clasificador implementado en este trabajo se entrenó y valido con una muestra limitada de imágenes (150 imágenes, repartidas en 75 imágenes para entrenamiento y 75 imágenes para prueba ), obteniendo un porcentaje de acierto del 94%, lo cual se puede constituir en una herramienta de apoyo al diagnóstico del tipo de escoliosis de manera automatizada a diferencia de los métodos convencionales.spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) Biomédico(a)spa
dc.description.degreetypeMonografíaspa
dc.description.notesPresencialspa
dc.identifier.bibliographicCitationAdolescent Idiopathic Scoliosis | Scoliosis Research Society. (s. f.). Scoliosis Research Society.https://www.srs.org/patients-and-families/conditions-andtreatments/parents/scoliosis/adolescent-idiopathic-scoliosisspa
dc.identifier.bibliographicCitationAmari, S., Murata, N., Muller, K. R., Finke, M., & Yang, H. H. (1997). Asymptotic statistical theory of overtraining and cross-validation. IEEE Transactions on Neural Networks, 8(5), 985–996. https://doi.org/10.1109/72.623200spa
dc.identifier.bibliographicCitationAramendi, A. R. (2018/2019). Estudio observacional de las características físicas de las personas con escoliosis, según los criterios del ángulo de rotación del tronco, comparado con un grupo control, en una población escolar. [Universidad de Zaragoza]. https://zaguan.unizar.es/record/102048?ln=esspa
dc.identifier.bibliographicCitationArtola Moreno, Á. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python [Trabajo de grado no publicado]. Universidad de Sevilla.spa
dc.identifier.bibliographicCitationCampaña Jiménez, M. E. (2020). Scoliosis and physical activity in primary school students. ESHPA - Education, Sport, Health and Physical Activity, 5(3), 178–192. https://doi.org/10.5281/ZENODO.4241290spa
dc.identifier.bibliographicCitationBisong, E. (2019). Google Colaboratory. En Building Machine Learning and Deep Learning Models on Google Cloud Platform (pp. 59–64). Apress.spa
dc.identifier.bibliographicCitationChanampe, H., Aciar, S., Vega, M. de la, Molinari Sotomayor, J. L., Carrascosa, G., & Lorefice, A. (2019). Modelo de redes neuronales convolucionales profundas para la clasificación de lesiones en ecografías mamarias. XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan).spa
dc.identifier.bibliographicCitationConsenso de escoliosis idiopática del adolescente Autor: Comité Nacional de Adolescencia SAP, Comité de Diagnóstico por Imágenes SAP, Sociedad Argentina de Ortopedia y Traumatología Infantil (SAOTI)Sociedad Argentina de Patología de la Columna Vert. (s/f). Codajic.org. Recuperado el 10 de enero de 2022, de http://www.codajic.org/node/2218spa
dc.identifier.bibliographicCitationCunin, V., & Raux, S. (2021). Escoliosis idiopática en período de crecimiento. EMC - Pediatría, 56(3), 1–38. https://doi.org/10.1016/s1245-1789(21)45481-8spa
dc.identifier.bibliographicCitationD. Gizlyk. “Redes neuronales: así de sencillo (parte 12): Dropout. 2021. Disponible en https://www.mql5.com/es/articles/9112spa
dc.identifier.instnameinstname:Universidad Antonio Nariñospa
dc.identifier.reponamereponame:Repositorio Institucional UANspa
dc.identifier.repourlrepourl:https://repositorio.uan.edu.co/spa
dc.identifier.urihttp://repositorio.uan.edu.co/handle/123456789/6085
dc.language.isospaspa
dc.publisherUniversidad Antonio Nariñospa
dc.publisher.campusPopayán - Alto Caucaspa
dc.publisher.facultyFacultad de Ingeniería Mecánica, Electrónica y Biomédicaspa
dc.publisher.programIngeniería Biomédicaspa
dc.rightsAcceso abierto
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenseAttribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subjectEscoliosises_ES
dc.subjectimágenes de RXes_ES
dc.subjectredes neuronaleses_ES
dc.subject.keywordScoliosises_ES
dc.subject.keywordneural networkses_ES
dc.subject.keywordX-ray imageses_ES
dc.titleDesarrollo de un clasificador basado en redes neuronales para la detección de escoliosis en imagen RX de columna.es_ES
dc.typeTrabajo de grado (Pregrado y/o Especialización)spa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dcterms.audienceGeneralspa
Files
Original bundle
Now showing 1 - 3 of 3
thumbnail.default.alt
Name:
2022_GonzaloMartinez
Size:
1.82 MB
Format:
Adobe Portable Document Format
Description:
Download
thumbnail.default.alt
Name:
2022_GonzaloMartinez_Acta
Size:
480.2 KB
Format:
Adobe Portable Document Format
Description:
thumbnail.default.alt
Name:
2022_GonzaloMartinez_Autorización
Size:
1.04 MB
Format:
Adobe Portable Document Format
Description:
Collections
Ingeniería biomédica