Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo.
El cáncer es una de las enfermedades mas frecuentes y graves que causa una de las mayores muertes al año. El diagnostico precoz y la discriminación de esta enfermedad son clínicamente importantes. Por otro lado, el análisis de imágenes y diagnostico asistido por computadora se han vuelto cada vez m...
Guardado en:
Autor principal: | |
---|---|
Formato: | Tesis NonPeerReviewed |
Lenguaje: | Español |
Publicado: |
2019
|
Materias: | |
Acceso en línea: | http://ricabib.cab.cnea.gov.ar/834/1/1Ziemecki_Burgos.pdf |
Aporte de: |
id |
I25-R131-834 |
---|---|
record_format |
dspace |
spelling |
I25-R131-8342021-03-15T15:26:36Z Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. Nuclei segmentation in histopathological images using deep learning. Ziemecki Burgos, Andrés A. Inteligencia artificial Artificial intelligence Inteligencia artificial Images Imágenes Automation Automatización [Deep learning Aprendizaje profundo] El cáncer es una de las enfermedades mas frecuentes y graves que causa una de las mayores muertes al año. El diagnostico precoz y la discriminación de esta enfermedad son clínicamente importantes. Por otro lado, el análisis de imágenes y diagnostico asistido por computadora se han vuelto cada vez mas accesibles para los especialistas, con los que les permiten realizar diagnósticos de manera mas eciente. Pero, en muchos métodos computacionales, la parte del proceso que conlleva la detección, segmentación y clasificación de células en imágenes histopatológicas sigue siendo un problema principal. Dado que la detección celular y la segmentación son críticas para los diagnósticos del cáncer, en respuesta, en este trabajo se tuvo como objetivo proveer el soporte tecnológico para los especialistas que les permita coadyuvar a la detección y clasificación del cáncer. El mismo se realizo mediante un enfoque de segmentación celular útil de imágenes histopatológicas haciendo uso de técnicas de aprendizaje profundo prominentes como las redes neuronales convolucionales. Los resultados revelaron que, para un tratamiento de imágenes adecuado y una arquitectura de red neuronal convolucional apropiada, los algoritmos de aprendizaje profundo se desempeñaron mejor que los métodos convencionales en la segmentación celular llegando a obtener resultados con una precisión, a través del índice de Dice, de 88,2 %. Además, el método propuesto del presente trabajo resulto tener un mejor desempeño que los presentados por la bibliografía y por publicaciones que han hecho uso de dichas técnicas de aprendizaje profundo empleando enfoques similares al nuestro. Cancer is one of the most frequent and serious diseases that causes one of the biggest deaths a year. Early diagnosis and discrimination of this disease are clinically important. On the other hand, image analysis and computer-aided diagnosis have become increasingly accessible to specialists, allowing them to make diagnoses more efficiently. But, in many computational methods, the part of the process that involves the detection, segmentation and classication of cells in histopathological images remains a major problem. Given that cell detection and segmentation are critical for cancer diagnoses, in response, the objective of this study was to provide technological support for specialists that would allow them to contribute to the detection and classication of cancer. It was performed using a useful cell segmentation approach of histopathological images through the use of prominent deep learning techniques such as convolutional neural networks. The results revealed that, for an adequate image processing and an appropriate convolutional neural network architecture, the deep learning algorithms performed better than the conventional methods in cell segmentation reaching results with a precision, through the Dice index, of 88.2 %. In addition, the proposed method of this work turned out to have a better performance than those presented by the bibliography and by publications that have made use of such deep learning techniques using approaches similar to ours. 2019-06-24 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/834/1/1Ziemecki_Burgos.pdf es Ziemecki Burgos, Andrés A. (2019) Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. / Nuclei segmentation in histopathological images using deep learning. Proyecto Integrador Ingeniería Mecánica, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/834/ |
institution |
Instituto Balseiro |
institution_str |
I-25 |
repository_str |
R-131 |
collection |
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) |
language |
Español |
orig_language_str_mv |
es |
topic |
Inteligencia artificial Artificial intelligence Inteligencia artificial Images Imágenes Automation Automatización [Deep learning Aprendizaje profundo] |
spellingShingle |
Inteligencia artificial Artificial intelligence Inteligencia artificial Images Imágenes Automation Automatización [Deep learning Aprendizaje profundo] Ziemecki Burgos, Andrés A. Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. |
topic_facet |
Inteligencia artificial Artificial intelligence Inteligencia artificial Images Imágenes Automation Automatización [Deep learning Aprendizaje profundo] |
description |
El cáncer es una de las enfermedades mas frecuentes y graves que causa una de las mayores muertes al año. El diagnostico precoz y la discriminación de esta enfermedad son clínicamente importantes. Por otro lado, el análisis de imágenes y diagnostico asistido
por computadora se han vuelto cada vez mas accesibles para los especialistas, con los que les permiten realizar diagnósticos de manera mas eciente. Pero, en muchos métodos computacionales, la parte del proceso que conlleva la detección, segmentación y clasificación de células en imágenes histopatológicas sigue siendo un problema principal.
Dado que la detección celular y la segmentación son críticas para los diagnósticos del cáncer, en respuesta, en este trabajo se tuvo como objetivo proveer el soporte tecnológico para los especialistas que les permita coadyuvar a la detección y clasificación del cáncer. El mismo se realizo mediante un enfoque de segmentación celular útil de imágenes histopatológicas haciendo uso de técnicas de aprendizaje profundo prominentes como las redes neuronales convolucionales.
Los resultados revelaron que, para un tratamiento de imágenes adecuado y una arquitectura de red neuronal convolucional apropiada, los algoritmos de aprendizaje profundo se desempeñaron mejor que los métodos convencionales en la segmentación celular llegando a obtener resultados con una precisión, a través del índice de Dice, de 88,2 %. Además, el método propuesto del presente trabajo resulto tener un mejor desempeño que los presentados por la bibliografía y por publicaciones que han hecho
uso de dichas técnicas de aprendizaje profundo empleando enfoques similares al nuestro. |
format |
Tesis NonPeerReviewed |
author |
Ziemecki Burgos, Andrés A. |
author_facet |
Ziemecki Burgos, Andrés A. |
author_sort |
Ziemecki Burgos, Andrés A. |
title |
Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. |
title_short |
Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. |
title_full |
Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. |
title_fullStr |
Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. |
title_full_unstemmed |
Segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. |
title_sort |
segmentación de núcleos celulares en imágenes histopalógicas mediante aprendizaje profundo. |
publishDate |
2019 |
url |
http://ricabib.cab.cnea.gov.ar/834/1/1Ziemecki_Burgos.pdf |
work_keys_str_mv |
AT ziemeckiburgosandresa segmentaciondenucleoscelularesenimageneshistopalogicasmedianteaprendizajeprofundo |
_version_ |
1794277842188500992 |