Detección de entidades nombradas en textos de reportes de imágenes médicas
- Autores
- Francesca, Lucas Agustín de
- Año de publicación
- 2021
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión publicada
- Colaborador/a o director/a de tesis
- Alonso i Alemany, Laura
- Descripción
- Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021.
Fil: Francesca, Lucas Agustín de. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo se abordó el problema de reconocimiento de entidades nombradas sobre texto de reportes de imágenes médicas, empleando distintas alternativas a la solución del problema. La primera de ellas es un clasificador basado en máquinas de vectores de soporte con ventana deslizante. Luego aplicamos distintas alternativas sobre arquitecturas de redes neuronales, donde la principal componente de las mismas es una capa recurrente bidireccional. Analizamos el impacto de las distintas configuraciones y llegamos a la conclusión que aquellos aprendedores que utilizan word embeddings (reducciones de dimensionalidad neuronales) a nivel palabra y carácter logran un mejor rendimiento. Además, la utilización de un campo aleatorio condicional (Conditional Random Field) como capa final de la arquitectura neuronal mejora el rendimiento en comparación con una capa densa con función de activación softmax.
This work addresses the named entity recognition task on medical image report texts by applying two approaches. The first one is a support vector machine based on a sliding window. The second approach is based on neural network architectures, using a bidirectional recurrent layer as the main component, where we apply and compare different configurations. We analyzed different alternatives and came to the conclusion that those learners that use word and character level embeddings achieve better performance. Also, using a conditional random field as a final layer increases performance compared to a dense layer with softmax as activation function.
publishedVersion
Fil: Francesca, Lucas Agustín de. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. - Materia
-
Red recurrente
Red convolucional
Computing methodologies
Artificial intelligence
Machine learning
Word embeddings
NLP
NER - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- Repositorio
- Institución
- Universidad Nacional de Córdoba
- OAI Identificador
- oai:rdu.unc.edu.ar:11086/20301
Ver los metadatos del registro completo
id |
RDUUNC_515eec6932dcac6e842015954bb48ba7 |
---|---|
oai_identifier_str |
oai:rdu.unc.edu.ar:11086/20301 |
network_acronym_str |
RDUUNC |
repository_id_str |
2572 |
network_name_str |
Repositorio Digital Universitario (UNC) |
spelling |
Detección de entidades nombradas en textos de reportes de imágenes médicasFrancesca, Lucas Agustín deRed recurrenteRed convolucionalComputing methodologiesArtificial intelligenceMachine learningWord embeddingsNLPNERTesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021.Fil: Francesca, Lucas Agustín de. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.En este trabajo se abordó el problema de reconocimiento de entidades nombradas sobre texto de reportes de imágenes médicas, empleando distintas alternativas a la solución del problema. La primera de ellas es un clasificador basado en máquinas de vectores de soporte con ventana deslizante. Luego aplicamos distintas alternativas sobre arquitecturas de redes neuronales, donde la principal componente de las mismas es una capa recurrente bidireccional. Analizamos el impacto de las distintas configuraciones y llegamos a la conclusión que aquellos aprendedores que utilizan word embeddings (reducciones de dimensionalidad neuronales) a nivel palabra y carácter logran un mejor rendimiento. Además, la utilización de un campo aleatorio condicional (Conditional Random Field) como capa final de la arquitectura neuronal mejora el rendimiento en comparación con una capa densa con función de activación softmax.This work addresses the named entity recognition task on medical image report texts by applying two approaches. The first one is a support vector machine based on a sliding window. The second approach is based on neural network architectures, using a bidirectional recurrent layer as the main component, where we apply and compare different configurations. We analyzed different alternatives and came to the conclusion that those learners that use word and character level embeddings achieve better performance. Also, using a conditional random field as a final layer increases performance compared to a dense layer with softmax as activation function.publishedVersionFil: Francesca, Lucas Agustín de. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Alonso i Alemany, Laura2021info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/20301spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-04T12:34:19Zoai:rdu.unc.edu.ar:11086/20301Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-04 12:34:19.994Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse |
dc.title.none.fl_str_mv |
Detección de entidades nombradas en textos de reportes de imágenes médicas |
title |
Detección de entidades nombradas en textos de reportes de imágenes médicas |
spellingShingle |
Detección de entidades nombradas en textos de reportes de imágenes médicas Francesca, Lucas Agustín de Red recurrente Red convolucional Computing methodologies Artificial intelligence Machine learning Word embeddings NLP NER |
title_short |
Detección de entidades nombradas en textos de reportes de imágenes médicas |
title_full |
Detección de entidades nombradas en textos de reportes de imágenes médicas |
title_fullStr |
Detección de entidades nombradas en textos de reportes de imágenes médicas |
title_full_unstemmed |
Detección de entidades nombradas en textos de reportes de imágenes médicas |
title_sort |
Detección de entidades nombradas en textos de reportes de imágenes médicas |
dc.creator.none.fl_str_mv |
Francesca, Lucas Agustín de |
author |
Francesca, Lucas Agustín de |
author_facet |
Francesca, Lucas Agustín de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Alonso i Alemany, Laura |
dc.subject.none.fl_str_mv |
Red recurrente Red convolucional Computing methodologies Artificial intelligence Machine learning Word embeddings NLP NER |
topic |
Red recurrente Red convolucional Computing methodologies Artificial intelligence Machine learning Word embeddings NLP NER |
dc.description.none.fl_txt_mv |
Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021. Fil: Francesca, Lucas Agustín de. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. En este trabajo se abordó el problema de reconocimiento de entidades nombradas sobre texto de reportes de imágenes médicas, empleando distintas alternativas a la solución del problema. La primera de ellas es un clasificador basado en máquinas de vectores de soporte con ventana deslizante. Luego aplicamos distintas alternativas sobre arquitecturas de redes neuronales, donde la principal componente de las mismas es una capa recurrente bidireccional. Analizamos el impacto de las distintas configuraciones y llegamos a la conclusión que aquellos aprendedores que utilizan word embeddings (reducciones de dimensionalidad neuronales) a nivel palabra y carácter logran un mejor rendimiento. Además, la utilización de un campo aleatorio condicional (Conditional Random Field) como capa final de la arquitectura neuronal mejora el rendimiento en comparación con una capa densa con función de activación softmax. This work addresses the named entity recognition task on medical image report texts by applying two approaches. The first one is a support vector machine based on a sliding window. The second approach is based on neural network architectures, using a bidirectional recurrent layer as the main component, where we apply and compare different configurations. We analyzed different alternatives and came to the conclusion that those learners that use word and character level embeddings achieve better performance. Also, using a conditional random field as a final layer increases performance compared to a dense layer with softmax as activation function. publishedVersion Fil: Francesca, Lucas Agustín de. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. |
description |
Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11086/20301 |
url |
http://hdl.handle.net/11086/20301 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositorio Digital Universitario (UNC) instname:Universidad Nacional de Córdoba instacron:UNC |
reponame_str |
Repositorio Digital Universitario (UNC) |
collection |
Repositorio Digital Universitario (UNC) |
instname_str |
Universidad Nacional de Córdoba |
instacron_str |
UNC |
institution |
UNC |
repository.name.fl_str_mv |
Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba |
repository.mail.fl_str_mv |
oca.unc@gmail.com |
_version_ |
1842349676560384000 |
score |
13.13397 |