Show simple item record

dc.contributor.advisorLópez Sotelo, Jesús Alfonsospa
dc.contributor.advisorGonzález Vargas, Andrés Mauriciospa
dc.contributor.authorGómez Réndon, Mario Andrésspa
dc.coverage.spatialUniversidad Autónoma de Occidente. Calle 25 115-85. Km 2 vía Cali-Jamundíspa
dc.date.accessioned2020-01-13T21:20:57Zspa
dc.date.available2020-01-13T21:20:57Zspa
dc.date.issued2019-08-14spa
dc.identifier.urihttp://red.uao.edu.co//handle/10614/11785spa
dc.descriptionLas redes neuronales artificiales son una herramienta computacional que permite realizar aplicaciones de manera automática que de momento solo podían ser realizadas por humanos. Esta tecnología lidera el campo de la visión por computadora y los procesos de automatización. En este trabajo de grado se busca la implementación de una red neuronal para resolver un problema de clasificación logística, la cual se puede entender como la probabilidad de que una entrada pertenezca a una clase en particular, esto, con el fin de suplir una necesidad identificada por el autor en una institución sin ánimo de lucro. En la institución se realizan exámenes de angiografía reticular de manera diaria y el acumulo de resultados se vuelve un trabajo tedioso para los médicos y a su vez el tiempo de esperar para la entrega de los resultados es considerable. Así pues, se propuso el diseño de una herramienta de ayuda diagnóstica que permite clasificar las angiografías reticulares con base a la probabilidad de ser patológica o no patológica; con el fin de entregar a los médicos en orden de mayor probabilidad patológica y tratar de disminuir el tiempo de intervención a los pacientes con alta probabilidad de patología. Para el desarrollo de la herramienta se usó el lenguaje de programación Python y la librería de redes neuronales Tensorflow y Keras. Fue necesario la creación de una base de datos con las imágenes angiográfica proporcionadas por la institución para el proceso de entrenamiento de la red neuronal. Posteriormente, se propusieron tres alternativas viables de redes neuronales artificiales que tuviesen la capacidad de procesar la información angiográfica; lo siguiente fue entrenar y validar cada uno de los modelos y comparar su desempeño en datos no vistos por medio de la construcción de una matriz de confusión. Finalmente, se eligió el modelo como mejor resultado en la matriz de confusión y se realizó el deployment del modelo por medio de una GUI que permite la interacción con el usuario y la herramienta de ayuda diagnósticaspa
dc.description.abstractArtificial neural networks are a great tool enabling activities automatically that currently only could be done by humans, this technology leads the field of computer vision and processes of automation. This worked grade seeks to implement a neural network for solving a problem of logistics classification in an institution without profit. In the institution are carried out examinations of reticular angiography on a daily basis and the accumulation of results becomes a tedious job for doctors and the time of waiting for the delivery of results is considerable. So, the design of a tool to help diagnose that allows sorting the reticular angiography based on the probability of being pathological or not pathological; in order to give to doctors in order of most likely to be pathological and try to reduce the speaking time to patients with high probability of pathology. The development of the tool used Python programming language and the library of neural networks Tensorflow and Keras. It was necessary to create a database with images angiographic provided by the institution for the training of the neural network process. Subsequently, it was proposed three alternatives of artificial neural networks that have the capacity to process angiographic information; the next thing was to train and validate the models and compare their performance in not seen data through the construction of a confusion matrix. Finally, it was chosen the model as a best result in the confusion matrix and realized the deployment of the model by means of a GUI which connects to the tool with the usereng
dc.formatapplication/pdfspa
dc.format.extent86 páginasspa
dc.language.isospaspa
dc.publisherUniversidad Autónoma de Occidentespa
dc.rightsDerechos Reservados - Universidad Autónoma de Occidentespa
dc.rights.urihttps://creativecommons.org/licenses/by-nd/4.0/spa
dc.sourceinstname:Universidad Autónoma de Occidentespa
dc.sourcereponame:Repositorio Institucional UAOspa
dc.subjectIngeniería Biomédicaspa
dc.subjectRedes neurales (Computadores)spa
dc.subjectAngiografía reticularspa
dc.subjectNeural networks (Computer science)eng
dc.subjectAngiographyeng
dc.titleHerramienta de ayuda diagnóstica basada en redes neuronales para analizar angiogramas reticulares implementada en el Instituto para Niños Ciegos y Sordosspa
dc.typeTrabajo de grado - Pregradospa
dc.description.notesPasantia comunitaria (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2019spa
dc.publisher.programIngeniería Biomédicaspa
dc.creator.degreeIngeniero Biomédicospa
dc.publisher.departmentDepartamento de Automática y Electrónicaspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) Biomédico(a)spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-SinDerivadas 4.0 Internacional (CC BY-ND 4.0)spa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dc.source.bibliographiccitation[1] Verdejo, D. L. (2014). Angiografía con fluoresceína. SOCV Sociedad Oftalmológica de La Comunidad Valenciana. Recuperado de: http://www.socv.org/angiografia-con-fluoresceina/ [2] E. Hosseini-Asl, Hosseini-Asl, E., Keynto, R., & El-Baz, A. (2016). Alzheimer’s Disease Diagnostics by Adaptation of 3D Convolutional Network, (Icip). https://doi.org/10.1109/ICIP.2016.7532332, 1st ed. Luoisville, 2016. [3] C. Gonzales, propósitos y metodología de la sistematización, 1st ed. Facultad Nacional De Salud Pública, 2015.[En línea]. Disponible en: http://www.udea.edu.co/wps/wcm/connect/udea/2e43da6b-2db8-43f5-95faa3026ade8d77/PROP%C3%93SITOS+Y+METODOLOG%C3%8DA+DE+LA+SIS TEMATIZACI%C3%93N.pdf?MOD=AJPERES [4] Lahiri, A., Roy, A. G., Sheet, D., & Biswas, P. K. (2016). Deep neural ensemble for retinal vessel segmentation in fundus images towards achieving label-free angiography. In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS (Vol. 2016–October, pp. 1340– 1343). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/EMBC.2016.7590955 [5] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances In Neural Information Processing Systems, 1–9. https://doi.org/http://dx.doi.org/10.1016/j.protcy.2014.09.007 [6] Nasr-Esfahani, E., Samavi, S., Karimi, N., Soroushmehr, S. M. R., Ward, K., Jafari, M. H., … Najarian, K. (2016). Vessel extraction in X-ray angiograms using deep learning. In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS (Vol. 2016–October, pp. 643– 646). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/EMBC.2016.7590784 84 [7] Degeneración, L., & Relacionada, M. (n.d.). La Degeneración Macular Relacionada con la Edad Lo que debe saber.[En línea]. Disponible en: https://nei.nih.gov/sites/default/files/health-pdfs/AMDlayoutSPAN2.pdf [8] Gómez-Ulla, F., Abraldes, M. J., Basauri, E., Fernández, M., García-Layana, A., Gili, P., … Cervera, E. (2010). Guías de práctica clínica de la SERV: Manejo de las oclusiones venosas de la retina. Archivos de La Sociedad Espanola de Oftalmologia, 85(9), 294–309. https://doi.org/10.1016/j.oftal.2010.10.002 [9] I. Sagina, "Why go large with Data for Deep Learning?", Towards Data Science, 2019. [En línea]. Disponible en: https://towardsdatascience.com/why-go-large-withdata-for-deep-learning-12eee16f708. [Accedido: 12- Jun- 2019]. [10] "Want to know how Deep Learning works? Here’s a quick guide for everyone.", freeCodeCamp.org News, 2019. [En línea]. Disponible en: https://www.freecodecamp.org/news/want-to-know-how-deep-learning-worksheres-a-quick-guide-for-everyone-1aedeca88076/. [Accedido: 12- Jun- 2019]. [11] "Estudio detallado del AA: Entrenamiento y pérdida | Curso intensivo de aprendizaje automático | Google Developers", Google Developers, 2019[En línea]. Disponible en: https://developers.google.com/machine-learning/crashcourse/descending-into-ml/training-and-loss?hl=es-419. [Accedido: 12- Jun- 2019]. [12] J. Brownlee, "Gentle Introduction to the Adam Optimization Algorithm for Deep Learning", Machine Learning Mastery, 2019. [En línea]. Disponible en: https://machinelearningmastery.com/adam-optimization-algorithm-for-deeplearning/. [Accedido: 12- Jun- 2019]. [13]T. Juan, Actualización de la guía clínica de retinopatía diabética, 1st ed. Consejo Internacional ICO: PAAO, 2016. [En línea]. Disponible en: https://paao.org/wpcontent/uploads/2016/05/guiaclinicaretinopatiadiabetica2016.pdf [14] Gómez, M. (2015). Angiografía fluoresceínica en la retinopatía diabética, (January 2014). [En línea]. Disponible en: https://www.researchgate.net/publication/280568062_Angiografia_fluoresceinica_e n_la_retinopatia_diabetica 85 [15] A. Geron, Hands-on Machine Learning with Scikit-Learn, Keras and Tensorflow., 2nd ed. 2019 [ebook] [En línea]. Disponible en: https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/ [16] F. Chollet, Deep Learning with Python, 1st ed. 2017. [ebook] [En línea]. Disponible en: http://faculty.neu.edu.cn/yury/AAI/Textbook/Deep%20Learning%20with%20Python. pdf [17] A. Sweigart, Automate the Boring Stuff with Python. 2015. [ebook] [En línea]. Disponible en: https://studentportalen.uu.se/uuspwebapp/auth/webwork/filearea/download.action?nodeId=2053259&toolAttachmentI d=475830&uusp.userId=guest [18] William K. Pratt, Digital Image Processing, Fourth Edi., vol. 6, no. 2. Los altos, California: John Wiley and Sons, 2007 [19] C. Nwankpa, W. Ijomah, A. Gachagan, and S. Marshall, “Activation Functions: Comparison of trends in Practice and Research for Deep Learning,” pp. 1–20, 2018. [En línea]. Disponible en: https://arxiv.org/abs/1811.03378 [20] A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola, “Dive into Deep Learning,” p. 639, 2018. [En línea]. Disponible en: https://en.d2l.ai/d2l-en.pdf [21] Torrey, L. (2017). Transfer Learning. 1st ed. [ebook] [En línea]. Disponible en: http://ftp://ftp.cs.wisc.edu/machine-learning/.../torrey.handbook09.pdf [Accedido 30 Jul. 2019].spa


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Derechos Reservados - Universidad Autónoma de Occidente
Except where otherwise noted, this item's license is described as Derechos Reservados - Universidad Autónoma de Occidente