Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia
- Autores
- Beltracchi, Rodrigo Oscar; Rizzalli, Ayelen Analia
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Massa, José
- Descripción
- Los algoritmos de Deep Learning son cada vez mas utilizados para el procesamiento de imágenes ya que muestran un gran desempeño en la clasi ficacion y detección de objetos comparado a los algoritmos tradicionales. En el área de la medicina y biología molecular en donde se realizan experimentos de microscopia es necesario en algunos casos, realizar procesamientos sobre imágenes de alta resolución. En el caso particular de imágenes de fluorescencia, en donde las mismas contienen células, es de vital importancia la precisión en el conteo y clasi ficacion de cada una de ellas presentes en el experimento. Como cada imagen puede contener cientos de células, el conteo manual resulta en una tarea tediosa. Por esta razón existen soluciones semi-automáticas que ayudan en esta tarea, aunque en el caso de la detección de objetos de interés con morfología irregular, los algoritmos de estas soluciones no logran buena precisión. En el presente trabajo se pretende estudiar la viabilidad de una solución basada en algoritmos de Deep Learning para el conteo y detección de células en imágenes de fluorescencia de alta resolución.
Fil: Beltracchi, Rodrigo Oscar. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Rizzalli, Ayelen Analia. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Massa, José. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. - Materia
-
Procesamiento de imágenes
Medicina y biología molecular
Deep Learning
Algoritmos
Imágenes de fluorescencia
Detección de células
Ingeniería de sistemas - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional del Centro de la Provincia de Buenos Aires
- OAI Identificador
- oai:ridaa.unicen.edu.ar:123456789/2212
Ver los metadatos del registro completo
id |
RIDUNICEN_92b38ee0e70539aaf452cfdd2a4bb923 |
---|---|
oai_identifier_str |
oai:ridaa.unicen.edu.ar:123456789/2212 |
network_acronym_str |
RIDUNICEN |
repository_id_str |
a |
network_name_str |
RIDAA (UNICEN) |
spelling |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescenciaBeltracchi, Rodrigo OscarRizzalli, Ayelen AnaliaProcesamiento de imágenesMedicina y biología molecularDeep LearningAlgoritmosImágenes de fluorescenciaDetección de célulasIngeniería de sistemasLos algoritmos de Deep Learning son cada vez mas utilizados para el procesamiento de imágenes ya que muestran un gran desempeño en la clasi ficacion y detección de objetos comparado a los algoritmos tradicionales. En el área de la medicina y biología molecular en donde se realizan experimentos de microscopia es necesario en algunos casos, realizar procesamientos sobre imágenes de alta resolución. En el caso particular de imágenes de fluorescencia, en donde las mismas contienen células, es de vital importancia la precisión en el conteo y clasi ficacion de cada una de ellas presentes en el experimento. Como cada imagen puede contener cientos de células, el conteo manual resulta en una tarea tediosa. Por esta razón existen soluciones semi-automáticas que ayudan en esta tarea, aunque en el caso de la detección de objetos de interés con morfología irregular, los algoritmos de estas soluciones no logran buena precisión. En el presente trabajo se pretende estudiar la viabilidad de una solución basada en algoritmos de Deep Learning para el conteo y detección de células en imágenes de fluorescencia de alta resolución.Fil: Beltracchi, Rodrigo Oscar. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Rizzalli, Ayelen Analia. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Massa, José. 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 ExactasMassa, José2018-07info:eu-repo/date/embargoEnd/2021-12-032019-12-03T13:56:18Z2019-12-03T13:56:18Zinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfhttps://www.ridaa.unicen.edu.ar/handle/123456789/2212spahttp://creativecommons.org/licenses/by-nc/2.5/ar/info:eu-repo/semantics/openAccessreponame:RIDAA (UNICEN)instname:Universidad Nacional del Centro de la Provincia de Buenos Aires2025-09-29T13:41:17Zoai:ridaa.unicen.edu.ar:123456789/2212instacron: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:a2025-09-29 13:41:18.03RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Airesfalse |
dc.title.none.fl_str_mv |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia |
title |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia |
spellingShingle |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia Beltracchi, Rodrigo Oscar Procesamiento de imágenes Medicina y biología molecular Deep Learning Algoritmos Imágenes de fluorescencia Detección de células Ingeniería de sistemas |
title_short |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia |
title_full |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia |
title_fullStr |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia |
title_full_unstemmed |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia |
title_sort |
Entrenamiento de un sistema basado en Deep Learning aplicado al análisis de células en imágenes de fluorescencia |
dc.creator.none.fl_str_mv |
Beltracchi, Rodrigo Oscar Rizzalli, Ayelen Analia |
author |
Beltracchi, Rodrigo Oscar |
author_facet |
Beltracchi, Rodrigo Oscar Rizzalli, Ayelen Analia |
author_role |
author |
author2 |
Rizzalli, Ayelen Analia |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Massa, José |
dc.subject.none.fl_str_mv |
Procesamiento de imágenes Medicina y biología molecular Deep Learning Algoritmos Imágenes de fluorescencia Detección de células Ingeniería de sistemas |
topic |
Procesamiento de imágenes Medicina y biología molecular Deep Learning Algoritmos Imágenes de fluorescencia Detección de células Ingeniería de sistemas |
dc.description.none.fl_txt_mv |
Los algoritmos de Deep Learning son cada vez mas utilizados para el procesamiento de imágenes ya que muestran un gran desempeño en la clasi ficacion y detección de objetos comparado a los algoritmos tradicionales. En el área de la medicina y biología molecular en donde se realizan experimentos de microscopia es necesario en algunos casos, realizar procesamientos sobre imágenes de alta resolución. En el caso particular de imágenes de fluorescencia, en donde las mismas contienen células, es de vital importancia la precisión en el conteo y clasi ficacion de cada una de ellas presentes en el experimento. Como cada imagen puede contener cientos de células, el conteo manual resulta en una tarea tediosa. Por esta razón existen soluciones semi-automáticas que ayudan en esta tarea, aunque en el caso de la detección de objetos de interés con morfología irregular, los algoritmos de estas soluciones no logran buena precisión. En el presente trabajo se pretende estudiar la viabilidad de una solución basada en algoritmos de Deep Learning para el conteo y detección de células en imágenes de fluorescencia de alta resolución. Fil: Beltracchi, Rodrigo Oscar. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Rizzalli, Ayelen Analia. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Massa, José. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. |
description |
Los algoritmos de Deep Learning son cada vez mas utilizados para el procesamiento de imágenes ya que muestran un gran desempeño en la clasi ficacion y detección de objetos comparado a los algoritmos tradicionales. En el área de la medicina y biología molecular en donde se realizan experimentos de microscopia es necesario en algunos casos, realizar procesamientos sobre imágenes de alta resolución. En el caso particular de imágenes de fluorescencia, en donde las mismas contienen células, es de vital importancia la precisión en el conteo y clasi ficacion de cada una de ellas presentes en el experimento. Como cada imagen puede contener cientos de células, el conteo manual resulta en una tarea tediosa. Por esta razón existen soluciones semi-automáticas que ayudan en esta tarea, aunque en el caso de la detección de objetos de interés con morfología irregular, los algoritmos de estas soluciones no logran buena precisión. En el presente trabajo se pretende estudiar la viabilidad de una solución basada en algoritmos de Deep Learning para el conteo y detección de células en imágenes de fluorescencia de alta resolución. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-07 2019-12-03T13:56:18Z 2019-12-03T13:56:18Z info:eu-repo/date/embargoEnd/2021-12-03 |
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 |
https://www.ridaa.unicen.edu.ar/handle/123456789/2212 |
url |
https://www.ridaa.unicen.edu.ar/handle/123456789/2212 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc/2.5/ar/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc/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_ |
1844619025282236416 |
score |
12.559606 |