• 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
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorArcia Moreno, Luis Miguel.-
    dc.date.accessioned2022-12-12T16:12:33Z-
    dc.date.available2020-03-19-
    dc.date.available2022-12-12T16:12:33Z-
    dc.date.issued2020-
    dc.identifier.citationArcia 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/20.500.12744/5276es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5276-
    dc.descriptionEn 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.es_CO
    dc.description.abstractIn 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.es_CO
    dc.format.extent81es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona- Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectMask R-CNN.es_CO
    dc.subjectMicrocalcificaciones.es_CO
    dc.subjectCBIS-DSSM.es_CO
    dc.subjectRest-Net50.es_CO
    dc.subjectClasificación.es_CO
    dc.titleHerramienta para la segmentación de microcalcificaciones e identificación de riegos de carcinoma en imágenes mamográficas haciendo uso de inteligencia artificial.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_7a1fes_CO
    dc.date.accepted2019-12-19-
    dc.relation.referencesBray, Freddie, Jian Song Ren, Eric Masuyer y Jacques Ferlay: Global estimates of cancer prevalence for 27 sites in the adult population in 2008. International Journal of Cancer, 132(5):1133–1145, mar 2013, ISSN 00207136. http://doi.wiley.com/10.1002/ijc.27711.es_CO
    dc.relation.referencesAntoni, Sebastien, Isabelle Soerjomataram, Bjørn Møller, Freddie Bray y Jacques Ferlay: An assessment of GLOBOCAN methods for deriving national estimates of cancer incidence. Bulletin of the World Health Organization, 94(3):174–184, mar 2016, ISSN 0042-9686. http://www. who.int/entity/bulletin/volumes/94/3/15-164384.pdf.es_CO
    dc.relation.referencesFerlay, Jacques, Isabelle Soerjomataram, Rajesh Dikshit, Sultan Eser, Colin Mathers, Marise Rebelo, Donald Maxwell Parkin, David Forman y Freddie Bray: Cancer incidence and mortality worldwide: sources, methods and major patterns in GLOBOCAN 2012. International journal of cancer, 136(5):E359–86, mar 2015, ISSN 1097-0215. http://www.ncbi.nlm. nih.gov/pubmed/25220842es_CO
    dc.relation.referencesSusan G. Komen: Datos para la vida: Las calcifica ciones en el seno, 2016. https://ww5.komen.org/ uploadedFiles/{_}Komen/Content/About{_}Breast{_}Cancer/ Tools{_}and{_}Resources/Translated{_}Materials/ BreastCalcifications{_}SPAKO2048FINAL1-16HR.pdf, visitado el 2019-11-20.es_CO
    dc.relation.referencesCruz-Morales, Roberto Alejandro, Yolanda Villaseñor-Navarro, Cecilia Magdalena Pavón-Hernández, Martha Patricia Pérez-Badillo, Lesvia Oliva Aguilar-Cortázar y Irma Pérez-Zúñiga: Microcalcificaciones de la mama: Un reto para el diagnóstico. Gaceta Mexicana de Oncología (GA 75 MO), 11(4):251–259, 2012, ISSN 16659201. https://www.elsevier.es/ es-revista-gaceta-mexicana-oncologia-305-pdf-X1665920112544896.es_CO
    dc.relation.referencesRobbins: Regeneración celular y tisular. En Robbins. Patología humana, capítulo 18, página 79. Elsevier España, S.L., Barcelona, España, nove na edición, 2013, ISBN 9781437717815. https://www.academia.edu/ 35319789/Patolog{í}a{_}-{_}Robbins{_}9{_}.es_CO
    dc.relation.referencesGirshick, Ross, Jeff Donahue, Trevor Darrell y Jitendra Malik: Rich feature hierarchies for accurate object detection and semantic segmentation. En Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, páginas 580–587, Columbus, USA, 2014. IEEE, ISBN 9781479951178. http://arxiv.org/abs/1311.2524.es_CO
    dc.relation.referencesRen, Shaoqing, Kaiming He, Ross Girshick y Jian Sun: Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6):1137– 1149, 2017, ISSN 01628828. https://arxiv.org/abs/1506.01497.es_CO
    dc.relation.referencesHe, Kaiming, Georgia Gkioxari, Piotr Dollar y Ross Girshick: Mask R-CNN. En Proceedings of the IEEE International Conference on Computer Vision, páginas 2980–2988, Venecia, Italia, 2017. IEEE, ISBN 9781538610329.es_CO
    dc.relation.referencesGarcía, Alba: La interpolación aplicada al procesamiento de imágenes digitales. Monografía, Universitat Jaume I, 2019.es_CO
    dc.relation.referencesKim, Yoon: Convolutional Neural Networks for Sentence Classification. En Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), páginas 1746–1751, Stroudsburg, PA, USA, aug 2014. Association for Computational Linguistics. http://arxiv.org/ abs/1408.5882http://aclweb.org/anthology/D14-1181.es_CO
    dc.relation.referencesHe, Kaiming, Xiangyu Zhang, Shaoqing Ren y Jian Sun: Deep residual learning for image recognition. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem:770– 778, 2016, ISSN 10636919.es_CO
    dc.relation.referencesKatzen, Janine y Katerina Dodelzon: A review of computer aided de tection in mammography. Clinical Imaging, 52(March):305–309, 2018, ISSN 18734499. https://doi.org/10.1016/j.clinimag.2018.08. 014.es_CO
    dc.relation.referencesDromain, C., B. Boyer, R. Ferré, S. Canale, S. Delaloge y C. Balleyguier: Computed-aided diagnosis (CAD) in the detection of breast cancer. European Journal of Radiology, 82(3):417–423, 2013, ISSN 0720048X. http://dx. doi.org/10.1016/j.ejrad.2012.03.005.es_CO
    dc.relation.referencesWang, Hongting, Jun Bao Li, Ligang Wu y Huijun Gao: Mammography visual enhancement in CAD-based breast cancer diagnosis. Clinical Imaging, 37(2):273–282, 2013, ISSN 08997071. http://dx.doi.org/10. 1016/j.clinimag.2012.04.018.es_CO
    dc.relation.referencesHamidinekoo, Azam, Erika Denton, Andrik Rampun, Kate Honnor y Reyer Zwiggelaar: Deep learning in mammography and breast histology, an overview and future trends. Medical Image Analysis, 47:45–67, 2018, ISSN 13618423. https://doi.org/10.1016/j.media.2018.03.006.es_CO
    dc.relation.referencesBadve, Sunil S. y Yesim Gökmen-Polar: Ductal carcinoma in situ of breast: update 2019. Pathology, 51(6):563–569, 2019, ISSN 14653931. https: //doi.org/10.1016/j.pathol.2019.07.005.es_CO
    dc.relation.referencesWang, Zhiqiong, Ge Yu, Yan Kang, Yingjie Zhao y Qixun Qu: Breast tumor detection in digital mammography based on extreme learning machine. Neurocomputing, 128:175–184, 2014, ISSN 09252312. https://doi.org/ 10.1016/j.neucom.2013.05.053.es_CO
    dc.relation.referencesArancibia Hernández, Patricia Lorena, Teresa Taub Estrada, Alejandra López Pizarro, María Lorena Díaz Cisternas y Carla Sáez Tapia: Breast calcifications: Description and classification according to BI-RADS 5th edition. Revista Chilena de Radiologia, 22(2):80–91, 2016, ISSN 07179308. http://dx.doi.org/10.1016/j.rchira.2016.06.004.es_CO
    dc.relation.referencesDirección General de Promoción y Prevención: Norma técnica pa ra la detección temprana del cáncer de seno, 2011. https: 77 //www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/ RIDE/VS/PP/norma-tecnica-cancer-seno.pdf.es_CO
    dc.relation.referencesGoogle LLC: Kaggle, 2010. https://www.kaggle.com/, visitado el 2019- 11-19es_CO
    dc.relation.referencesFernández-McCann, Davis Stephen: Ayuda al diagnóstico médico de la mamografía mediante técnicas de procesamiento digital de imágenes. Revista Facultad de Ingeniería Universidad de Antioquia, 22:116–125, 2016. https://aprendeenlinea.udea.edu.co/revistas/index. php/ingenieria/article/view/325955/20783251.es_CO
    dc.relation.referencesÁlvarez, Damián, Marta Guevara y Germán Holguín: Preprocesamiento De Imágenes Aplicadas a Mamografías Digitales. Scientia Et Technica, 12(31):1–6, 2006, ISSN 0122-1701. https://dialnet.unirioja.es/ servlet/articulo?codigo=4829296.es_CO
    dc.relation.referencesGuerra, Aníbal y Joel Rivas: Detección de microcalcificaciones en imágenes mamográficas usando redes neuronales. Revista de la Facultad de Ingeniería Universidad Central de Venezuela, 26:7– 14, 2011. https://www.google.com/url?sa=t{&}rct=j{&}q= {&}esrc=s{&}source=web{&}cd=2{&}cad=rja{&}uact=8{&}ved= 2ahUKEwjd8ZH27oTmAhVNwlkKHciZDhYQFjABegQIBxAB{&}url= http{%}3A{%}2F{%}2Fve.scielo.org{%}2Fscielo. php{%}3Fpid{%}3DS0798-40652011000300002{%}26script{%}3Dsci{_}abstract{%}26tlng{%}3Des{&}usg= AOvVaw06Bl.es_CO
    dc.relation.referencesBandeira Diniz, João Otávio, Pedro Henrique Bandeira Diniz, Thales Levi Azevedo Valente, Aristófanes Corrêa Silva, Anselmo Cardoso de Paiva y Marcelo Gattass: Computer Methods and Programs in Biomedicine Detection of mass regions in mammograms by bilateral analysis adapted to breast density using similarity indexes and convolutional neural networks. Computer Methods and Programs in Biomedicine, 156:191–207, 2018. https://doi.org/10.1016/j.cmpb.2018.01.007.es_CO
    dc.relation.referencesChougrad, Hiba, Hamid Zouaki y Omar Alheyane: Deep Convolutional Neural Networks for breast cancer screening. Computer Methods and Programs in Biomedicine, 157:19–30, 2018, ISSN 18727565. https:// doi.org/10.1016/j.cmpb.2018.01.011.es_CO
    dc.relation.referencesGeorge, Minu, Zhili Chen y Reyer Zwiggelaar: Multiscale connected chain topological modelling for microcalcification classification. Computers in Biology and Medicine, 114(February):103422, 2019, ISSN 18790534. https://doi.org/10.1016/j.compbiomed.2019.103422.es_CO
    dc.relation.referencesLi, Hua, Shasha Zhuang, Deng ao Li, Jumin Zhao y Yanyun Ma: Be nign and malignant classification of mammogram images based on deep learning. Biomedical Signal Processing and Control, 51:347–354, 2019, ISSN 17468108. https://doi.org/10.1016/j.bspc.2019.02.017.es_CO
    dc.relation.referencesTing, Fung Fung, Yen Jun Tan y Kok Swee Sim: Convolutional neural network improvement for breast cancer classification. Expert Systems with Applications, 120:103–115, 2019, ISSN 09574174. https://doi.org/10. 1016/j.eswa.2018.11.008.es_CO
    dc.relation.referencesRuano Aguilar, José Manuel, Juan Carlos Duarte Valencia, Carlos Alberto Calderón Elvir, Pedro Cuevas Estandía y Ruth Palafox Sánchez: Masas de la glándula mamaria en pediatría. Acta Médica Grupo Ángeles, 3(3):165– 177, 2005. https://www.medigraphic.com/pdfs/actmed/am-2005/ am053d.pdf.es_CO
    dc.relation.referencesDirección General de Salud Reproductiva: Compendio de anatomía patoló gica de la glándula mamaria. Secretaría de Salud, México D.F., México, primera edición, 2002, ISBN 9707210931. http://www.salud.gob.mx/ unidades/cdi/documentos/DOCSAL7249.pdf.es_CO
    dc.relation.referencesSinnatamby, Chummy S.: Parte 4. Mama. En Anatomía de Last: Regional y Aplicada, capítulo 2, página 54. Editorial Paidotribo, Barcelona, España, décima edición, 2003, ISBN 9788480196703.es_CO
    dc.relation.referencesOrganización Mundial de la Salud OMS: Cáncer, 2018. https://www.who. int/es/news-room/fact-sheets/detail/cancer, visitado el 2019-11- 20.es_CO
    dc.relation.referencesde la Garza Salazar, Jaime G. y Paula Juárez Sánchez: El cáncer. Uni versidad Autónoma de Nuevo León, Monterrey, México, primera edi ción, 2014, ISBN 9786072702158. http://eprints.uanl.mx/3465/1/ El{_}Cancer.pdf.es_CO
    dc.relation.referencesAmerican Cancer Society: Cáncer de seno, 2011. https://www. migrantclinician.org/files/QueEsElCancerDeSeno{_}0.pdf, vi sitado el 2019-11-2es_CO
    dc.relation.referencesMathWorks: Segmentación semántica. https://la.mathworks.com/ solutions/image-video-processing/semantic-segmentation. html, visitado el 2019-11-23.es_CO
    dc.relation.referencesMathWorks: Redes Neuronales Convolucionales. https: //la.mathworks.com/solutions/deep-learning/ convolutional-neural-network.html, visitado el 2019-11-23.es_CO
    dc.relation.referencesGirshick, Ross: Fast R-CNN. En Proceedings of the IEEE International Conference on Computer Vision, volumen 2015 Inter, páginas 1440–1448, Washington DC, USA, 2015. IEEE, ISBN 9781467383912. https:// arxiv.org/abs/1504.08083.es_CO
    dc.relation.referencesSuckling, J y Et al: The Mammographic Image Analysis Society Digital Mammogram Database. En International Congress Series 1069, páginas 375–378. Exerpta Medica, 1994. http://peipa.essex.ac.uk/info/ mias.html.es_CO
    dc.relation.referencesGrgic, Mislav, Kresimir Delac y Jelena Bozek: Mammographic Image Analysis Homapage, 2009. http://www.mammoimage.org/databases/, visitado el 2019-11-22.es_CO
    dc.relation.referencesHeath, Michael, Kevin Bowyer, Daniel Kopans, Richard Moore y W. Philip Kegelmeyer: The Digital Database for Screening Mammography. En 80 Proceedings of the Fifth International Workshop on Digital Mammography, páginas 212–218. Medical Physics Publishing, 2001. http://www.eng. usf.edu/cvprg/Mammography/Database.html.es_CO
    dc.relation.referencesRubin, Daniel, Rebecca Sawyer Lee, Francisco Gimenez y Assaf Hoogi: Curated Breast Imaging Subset of DDSM [Dataset]. The Cancer Imaging Archive, 2016. https://wiki.cancerimagingarchive.net/display/ Public/CBIS-DDSM{#}97944ee0e4a54b15a8479efafa2064dd.es_CO
    dc.relation.referencesMoreira, Inês C., Igor Amaral, Inês Domingues, António Cardoso, Maria João Cardoso y Jaime S. Cardoso: INbreast: Toward a Full-field Digital Mammographic Database. Academic Radiology, 19(2):236–248, 2012, ISSN 10766332.es_CO
    dc.relation.referencesVillagómez, Carlos: El formato PNG. https://es.ccm.net/contents/ 723-el-formato-png, visitado el 2019-11-20.es_CO
    dc.relation.referencesTorok, Leonardo: Método de Otsu. Instituto de Computacao, página 8, 2001.es_CO
    dc.relation.referencesBouvrie, Jake: Notes on convolutional neural networks. In Practice, páginas 47–60, 2006, ISSN 10495258. http://cogprints.org/5869/.es_CO
    dc.relation.referencesShelhamer, Evan, Jonathan Long y Trevor Darrell: Fully Convolutional Networks for Semantic Segmentation. páginas 1–12.es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Ingeniería Electrónica

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Arcia_2019_TG.pdfArcia_2019_TG16,94 MBAdobe PDFVisualizar/Abrir
    Mostrar el registro sencillo del ítem


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