• Repositorio Institucional Universidad de Pamplona
  • Trabajos de pregrado y especialización
  • Facultad de Ingenierías y Arquitectura
  • Ingeniería Electrónica
  • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5276
    Título : Herramienta para la segmentación de microcalcificaciones e identificación de riegos de carcinoma en imágenes mamográficas haciendo uso de inteligencia artificial.
    Autor : Arcia Moreno, Luis Miguel.
    Palabras clave : Mask R-CNN.
    Microcalcificaciones.
    CBIS-DSSM.
    Rest-Net50.
    Clasificación.
    Fecha de publicación : 2020
    Editorial : Universidad de Pamplona- Facultad de Ingenierías y Arquitectura.
    Citación : Arcia Moreno, L. M. (2019). Herramienta para la segmentación de microcalcificaciones e identificación de riegos de carcinoma en imágenes mamográficas haciendo uso de inteligencia artificial [Trabajo de Grado Pregrado, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5276
    Resumen : In this research project explains and details the construction of a CAD that by means of Mask R-CNN semantically segments microcalcifications present in mammograms, additionally based on the spatial distribution of these lesions wit hin the breast, the severity of the injury classifying it as benign or malignant. In order to reduce the computational crap of the system, the RestNet50 pre-trained model was used, with resized and compressed images obtained from the CBIS DSSM database.
    Descripción : En este proyecto de investigación se explica y detalla la construcción de un CAD (Detección Asistida por Computadora) que por medio de Mask R-CNN que segmenta semánticamente microcalcificaciones presentes en mamografías, adi cionalmente con en base a la distribución espacial de estas lesiones dentro de la mama, se determinar la severidad de la lesión clasificándola en benigna o ma ligna. Con el propósito de reducir la caga computacional del sistema se utilizó el modelo pre entrenado RestNet50, con imagen redimensionadas y comprimidas obtenidas de la base de datos CBIS-DSSM.
    URI : http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5276
    Aparece en las colecciones: Ingeniería Electrónica

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Arcia_2019_TG.pdfArcia_2019_TG16,94 MBAdobe PDFVisualizar/Abrir


    Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.