Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas
- Autores
- Grande, Julián E.; Romero Piaggio, Maximiliano A.
- Año de publicación
- 2023
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Bulant, Carlos Alberto
Clausse, Alejandro - Descripción
- El presente trabajo tuvo como objetivo aprender y adquirir experiencia en la aplicación de inteligencia artificial, con un enfoque específico en la segmentación de imágenes médicas mediante la implementación y la exploración de hiperparámetros. El propósito fundamental de la investigación fue abordar el desafío de la segmentación de imágenes obtenidas con ultra-sonido intravascular mediante el empleo de las redes UNet y UNet++. Para alcanzar este objetivo, se implementó un enfoque integral, que se centró en la exploración y optimización de los hiperparámetros más relevantes asociados a dichas arquitecturas. Se utilizó una base de datos internacional privada, lo que permitió no solo usar una gran cantidad de datos, sino que también permitió comparar los resultados directamente con el estado del arte. La investigación no se limitó únicamente a la implementación práctica de las arquitecturas seleccionadas, sino que también comprendió la evaluación de los resultados y la comparación de diversas configuraciones. Este enfoque permitió obtener una comprensión profunda de la influencia de los hiperparámetros en el rendimiento de las arquitecturas analizadas.
The present work aimed to learn and gain experience in the application of artificial intelligence, with a specific focus on medical image segmentation through the implementation and exploration of hyperparameters. The fundamental purpose of the research was to address the challenge of segmenting images obtained with intravascular ultrasound using the UNet and UNet++ networks. To achieve this objective, a comprehensive approach was implemented, focusing on the exploration and optimization of the most relevant hyperparameters associated with these architectures. A private international database was used, allowing not only the use of alarge amount of data but also direct comparison of the results with the state of theart. The research was not limited solely to the practical implementation of the selected architectures but also included the assessment of results and the comparison of various configurations. This approach led to a deep understanding of the influence of hyperparameters on the performance of the analyzed architectures.
Fil: Grande, Julián E. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Romero Piaggio, Maximiliano A. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Bulant, Carlos Alberto. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Clausse, Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. - Materia
-
Ultra-sonido intravascular
Segmentación de imagen
Inteligencia artificial
Redes convolucionales profundas
Hiperparámetros
Aprendizaje por retropropagación
Arquitecturas UNet
Redes neuronales - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional del Centro de la Provincia de Buenos Aires
- OAI Identificador
- oai:ridaa.unicen.edu.ar:123456789/4063
Ver los metadatos del registro completo
id |
RIDUNICEN_7d7b9ee06cdf6c9c571ea7050f66ac76 |
---|---|
oai_identifier_str |
oai:ridaa.unicen.edu.ar:123456789/4063 |
network_acronym_str |
RIDUNICEN |
repository_id_str |
a |
network_name_str |
RIDAA (UNICEN) |
spelling |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadasGrande, Julián E.Romero Piaggio, Maximiliano A.Ultra-sonido intravascularSegmentación de imagenInteligencia artificialRedes convolucionales profundasHiperparámetrosAprendizaje por retropropagaciónArquitecturas UNetRedes neuronalesEl presente trabajo tuvo como objetivo aprender y adquirir experiencia en la aplicación de inteligencia artificial, con un enfoque específico en la segmentación de imágenes médicas mediante la implementación y la exploración de hiperparámetros. El propósito fundamental de la investigación fue abordar el desafío de la segmentación de imágenes obtenidas con ultra-sonido intravascular mediante el empleo de las redes UNet y UNet++. Para alcanzar este objetivo, se implementó un enfoque integral, que se centró en la exploración y optimización de los hiperparámetros más relevantes asociados a dichas arquitecturas. Se utilizó una base de datos internacional privada, lo que permitió no solo usar una gran cantidad de datos, sino que también permitió comparar los resultados directamente con el estado del arte. La investigación no se limitó únicamente a la implementación práctica de las arquitecturas seleccionadas, sino que también comprendió la evaluación de los resultados y la comparación de diversas configuraciones. Este enfoque permitió obtener una comprensión profunda de la influencia de los hiperparámetros en el rendimiento de las arquitecturas analizadas.The present work aimed to learn and gain experience in the application of artificial intelligence, with a specific focus on medical image segmentation through the implementation and exploration of hyperparameters. The fundamental purpose of the research was to address the challenge of segmenting images obtained with intravascular ultrasound using the UNet and UNet++ networks. To achieve this objective, a comprehensive approach was implemented, focusing on the exploration and optimization of the most relevant hyperparameters associated with these architectures. A private international database was used, allowing not only the use of alarge amount of data but also direct comparison of the results with the state of theart. The research was not limited solely to the practical implementation of the selected architectures but also included the assessment of results and the comparison of various configurations. This approach led to a deep understanding of the influence of hyperparameters on the performance of the analyzed architectures.Fil: Grande, Julián E. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Romero Piaggio, Maximiliano A. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Bulant, Carlos Alberto. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Clausse, Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias ExactasBulant, Carlos AlbertoClausse, Alejandro20232024-07-08T16:05:09Z2024-07-08T16:05:09Zinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfGrande, J. E. y Romero Piaggio, M. A. (2023). Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas [Tesis de grado]. Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina.https://www.ridaa.unicen.edu.ar/handle/123456789/4063spahttp://creativecommons.org/licenses/by/2.5/ar/info:eu-repo/semantics/openAccessreponame:RIDAA (UNICEN)instname:Universidad Nacional del Centro de la Provincia de Buenos Aires2025-09-04T09:43:50Zoai:ridaa.unicen.edu.ar:123456789/4063instacron:UNICENInstitucionalhttps://www.ridaa.unicen.edu.ar/Universidad públicaNo correspondehttps://www.ridaa.unicen.edu.ar/oailleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;ArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2025-09-04 09:43:51.32RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Airesfalse |
dc.title.none.fl_str_mv |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas |
title |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas |
spellingShingle |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas Grande, Julián E. Ultra-sonido intravascular Segmentación de imagen Inteligencia artificial Redes convolucionales profundas Hiperparámetros Aprendizaje por retropropagación Arquitecturas UNet Redes neuronales |
title_short |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas |
title_full |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas |
title_fullStr |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas |
title_full_unstemmed |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas |
title_sort |
Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas |
dc.creator.none.fl_str_mv |
Grande, Julián E. Romero Piaggio, Maximiliano A. |
author |
Grande, Julián E. |
author_facet |
Grande, Julián E. Romero Piaggio, Maximiliano A. |
author_role |
author |
author2 |
Romero Piaggio, Maximiliano A. |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Bulant, Carlos Alberto Clausse, Alejandro |
dc.subject.none.fl_str_mv |
Ultra-sonido intravascular Segmentación de imagen Inteligencia artificial Redes convolucionales profundas Hiperparámetros Aprendizaje por retropropagación Arquitecturas UNet Redes neuronales |
topic |
Ultra-sonido intravascular Segmentación de imagen Inteligencia artificial Redes convolucionales profundas Hiperparámetros Aprendizaje por retropropagación Arquitecturas UNet Redes neuronales |
dc.description.none.fl_txt_mv |
El presente trabajo tuvo como objetivo aprender y adquirir experiencia en la aplicación de inteligencia artificial, con un enfoque específico en la segmentación de imágenes médicas mediante la implementación y la exploración de hiperparámetros. El propósito fundamental de la investigación fue abordar el desafío de la segmentación de imágenes obtenidas con ultra-sonido intravascular mediante el empleo de las redes UNet y UNet++. Para alcanzar este objetivo, se implementó un enfoque integral, que se centró en la exploración y optimización de los hiperparámetros más relevantes asociados a dichas arquitecturas. Se utilizó una base de datos internacional privada, lo que permitió no solo usar una gran cantidad de datos, sino que también permitió comparar los resultados directamente con el estado del arte. La investigación no se limitó únicamente a la implementación práctica de las arquitecturas seleccionadas, sino que también comprendió la evaluación de los resultados y la comparación de diversas configuraciones. Este enfoque permitió obtener una comprensión profunda de la influencia de los hiperparámetros en el rendimiento de las arquitecturas analizadas. The present work aimed to learn and gain experience in the application of artificial intelligence, with a specific focus on medical image segmentation through the implementation and exploration of hyperparameters. The fundamental purpose of the research was to address the challenge of segmenting images obtained with intravascular ultrasound using the UNet and UNet++ networks. To achieve this objective, a comprehensive approach was implemented, focusing on the exploration and optimization of the most relevant hyperparameters associated with these architectures. A private international database was used, allowing not only the use of alarge amount of data but also direct comparison of the results with the state of theart. The research was not limited solely to the practical implementation of the selected architectures but also included the assessment of results and the comparison of various configurations. This approach led to a deep understanding of the influence of hyperparameters on the performance of the analyzed architectures. Fil: Grande, Julián E. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Romero Piaggio, Maximiliano A. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Bulant, Carlos Alberto. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Clausse, Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. |
description |
El presente trabajo tuvo como objetivo aprender y adquirir experiencia en la aplicación de inteligencia artificial, con un enfoque específico en la segmentación de imágenes médicas mediante la implementación y la exploración de hiperparámetros. El propósito fundamental de la investigación fue abordar el desafío de la segmentación de imágenes obtenidas con ultra-sonido intravascular mediante el empleo de las redes UNet y UNet++. Para alcanzar este objetivo, se implementó un enfoque integral, que se centró en la exploración y optimización de los hiperparámetros más relevantes asociados a dichas arquitecturas. Se utilizó una base de datos internacional privada, lo que permitió no solo usar una gran cantidad de datos, sino que también permitió comparar los resultados directamente con el estado del arte. La investigación no se limitó únicamente a la implementación práctica de las arquitecturas seleccionadas, sino que también comprendió la evaluación de los resultados y la comparación de diversas configuraciones. Este enfoque permitió obtener una comprensión profunda de la influencia de los hiperparámetros en el rendimiento de las arquitecturas analizadas. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023 2024-07-08T16:05:09Z 2024-07-08T16:05:09Z |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
Grande, J. E. y Romero Piaggio, M. A. (2023). Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas [Tesis de grado]. Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina. https://www.ridaa.unicen.edu.ar/handle/123456789/4063 |
identifier_str_mv |
Grande, J. E. y Romero Piaggio, M. A. (2023). Segmentación de imágenes de ultrasonido intravascular coronario usando redes neuronales convolucionales hiperconectadas [Tesis de grado]. Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina. |
url |
https://www.ridaa.unicen.edu.ar/handle/123456789/4063 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
http://creativecommons.org/licenses/by/2.5/ar/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by/2.5/ar/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
publisher.none.fl_str_mv |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
dc.source.none.fl_str_mv |
reponame:RIDAA (UNICEN) instname:Universidad Nacional del Centro de la Provincia de Buenos Aires |
reponame_str |
RIDAA (UNICEN) |
collection |
RIDAA (UNICEN) |
instname_str |
Universidad Nacional del Centro de la Provincia de Buenos Aires |
repository.name.fl_str_mv |
RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Aires |
repository.mail.fl_str_mv |
lleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ; |
_version_ |
1842341497596280832 |
score |
12.623145 |