0 calificaciones0% encontró este documento útil (0 votos)
8 vistas2 páginas
Este documento presenta dos resúmenes de proyectos de IA. El primero describe un prototipo para detectar carcinomas mamarios usando la red neuronal VGG16 para clasificar mamografías. El segundo resume un proyecto para detectar la enfermedad de Alzheimer mediante resonancias magnéticas y machine learning, usando SVM para clasificar imágenes como normales, MCI o Alzheimer. Ambos proyectos buscan diagnósticos tempranos usando técnicas de IA e imágenes médicas.
Este documento presenta dos resúmenes de proyectos de IA. El primero describe un prototipo para detectar carcinomas mamarios usando la red neuronal VGG16 para clasificar mamografías. El segundo resume un proyecto para detectar la enfermedad de Alzheimer mediante resonancias magnéticas y machine learning, usando SVM para clasificar imágenes como normales, MCI o Alzheimer. Ambos proyectos buscan diagnósticos tempranos usando técnicas de IA e imágenes médicas.
Este documento presenta dos resúmenes de proyectos de IA. El primero describe un prototipo para detectar carcinomas mamarios usando la red neuronal VGG16 para clasificar mamografías. El segundo resume un proyecto para detectar la enfermedad de Alzheimer mediante resonancias magnéticas y machine learning, usando SVM para clasificar imágenes como normales, MCI o Alzheimer. Ambos proyectos buscan diagnósticos tempranos usando técnicas de IA e imágenes médicas.
Nayro Pazmiño, nfpazmino@espe.edu.ec Viernes, 06 de agosto de 2021 NRC: 4837 Prototipo de sistema de información para la detección de carcinomas mamarios, basado en técnicas de inteligencia artificial Según los datos del Observatorio Global de Cáncer, el cáncer de mama es la principal causa de muerte por cáncer en las mujeres. (International for Research on Cancer, 2018). Este trabajo basó su investigación en el afán por la búsqueda de una solución a este problema, y se propuso el desarrollo de un prototipo de sistema de información, basado en técnicas de inteligencia artificial, que permitiera optimizar la labor del cuerpo médico para detectar casos de cáncer y mitigar el riesgo de muerte y otros problemas que presentaban los pacientes. El desarrollo de la interfaz gráfica se realizó con Flutter Web y luego de ciertas pruebas, se definió que la opción conveniente para el sistema era la implementación de la arquitectura VGG16. La red neuronal, fue entrenada con un conjunto de imágenes diagnósticas mamográficas disponibles en la web, con el fin de adoptar un modelo, capaz de clasificar mamografías en cinco categorías: normal, microcalcificación benigna, nódulo benigno, microcalcificación y nódulo maligno. (Celis, 2020)
Detección de alzheimer por medio de imágenes médicas usando machine learning
La enfermedad de Alzheimer es una enfermedad neurodegenerativa que afecta a pacientes de edad avanzada, haciendo que pierdan la capacidad de orientación, reconocimiento de personas, pérdida de memoria entre otros. Una de las preocupaciones más importantes de esta enfermedad corresponde a los tratamientos actuales, pues se llevan a cabo para tratar los síntomas y no para detener la evolución de esta. Debido a esto es importante realizar un diagnóstico de la enfermedad en las etapas más tempranas. Actualmente, una de las maneras de hacer el diagnóstico de esta enfermedad se realiza por medio del análisis de imágenes diagnósticas como resonancias magnéticas, tomografías digitales o tomografía de emisión de positrones. Para poder llevar a cabo el proyecto se obtiene acceso a la base de datos ADNI. De la cual se obtiene una base de datos que consta de 2300 resonancias magnéticas clasificadas como AD (Enfermedad de Alzheimer), CN (Cognitivo normal), MCI(Deterioro cognitivo leve). Por lo que se aborda el problema como uno de clasificación. Como primer paso en el procedimiento llevado a cabo se realiza un preprocesamiento de todas las resonancias magnéticas el cual consiste en: Especificación por histograma, registro lineal, segmentación tejido cerebral, segmentación materia gris, blanca y fluido cerebro espinal. A partir de esta segmentación se usaron tres grupos de descriptores: proporción de volúmenes de materia, propiedades geométricas de la segmentación realizada y finalmente histogramas conjuntos de los píxeles que hacen parte de la materia gris, blanca y fluido cerebroespinal. Para realizar la clasificación, se decidió trabajar con SVM. Por lo que para cada descriptor por separado se realizó una búsqueda de parámetros que permitiera realizar la clasificación correcta sobre los datos de validación. (Morales, 2019)
Bibliografía Celis, S. (2020). Universidad Autonoma de Bucaramanga. Obtenido de https://repository.unab.edu.co/handle/20.500.12749/12076
Morales, S. (2019). Universidad Autonoma de Colombia. Obtenido de