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
RIDAA (UNICEN)
Institución
Universidad Nacional del Centro de la Provincia de Buenos Aires
OAI Identificador
oai:ridaa.unicen.edu.ar:123456789/4063

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