Per citar aquest document: http://ddd.uab.cat/record/150839
Clasificación de cálculos renales con técnicas de Deep Learning
Asensio-Casas, Víctor
Lumbreras Ruiz, Felipe, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant: Classification of kidney stones with Deep Learning techniques
Títol variant: Classificació de càlculs renals amb tècniques de Deep Learning
Data: 2016-02-11
Pla d'estudis: Enginyeria Informàtica [958]
Titulació: Enginyeria Informàtica [2502441]
Resum: En este proyecto se propone una herramienta de clasificación automática de imágenes basada en algoritmos de visión por computador. El objetivo es obtener una clasificación que permita identificar el tipo de un cálculo renal. Para realizar dicho clasificador se han estudiado diferentes técnicas relacionadas con los últimos avances en análisis de cálculos renales, y analizado el potencial de las Convolutional Neural Network (CNN). Posteriormente se explica el desarrollo del clasificador que consta de tres partes principales: aplicación de la técnica fine-tune a una red neuronal, preprocesamiento de las imágenes y pruebas de clasificación. Los resultados obtenidos a lo largo del desarrollo de este proyecto son positivos para el futuro, aunque no se hayan obtenido unos resultados excesivamente buenos, hemos podido comprobar que, una Convolutional Neural Network, con multitud de imágenes puede llegar a mejorar los resultados obtenidos con los clasificadores que se usaban previamente.
Resum: This project proposes an automated image classification tool based in computer vision algorithms. The final objetive is to classify kidney stones. To develop this tool we have first carried out a research on the State-of-the-art of renal calculi analysis methods and the efficiency of Convolutional Neural Network (CNN). After that, we propose our classification methodology which consists in three main stages: applying the fine-tune technique, image preprocessing, and testing the classification. The results of this project are very hopeful even though the results have not been too high because the Convolutional Neural Network results would increase as we increase the number of images.
Resum: En aquest projecte es proposa una eina de classificació automàtica d'imatges basada en algoritmes de visió per computador. L'objectiu es obtenir una classificació que permeti identificar el tipus d'un càlcul renal. Per a realitzar el clasificador s'han d'estudiar diferents tècniques relacionades amb els últims avenços en anàlisi de càlculs renals, i analitzar el potencial de les Convolutional Neural Network (CNN). Posteriorment s'explica el desenvolupament del classificador que consta de tres parts principals: aplicació de la tècnica fine-tune a una red neuronal, preprocessament de les imatges i proves de classificació. Els resultats obtinguts durant el desenvolupament d'aquest projecte son positius per al futur, encara que no s'hagin obtingut uns resultats excessivament bons, hem pogut comprovar que, una Convolutional Neural Network, amb multitud d'imatges pot arrbar a millorar els resultats obtinguts amb els classificadors que s'usaven previament.
Drets: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. Creative Commons
Llengua: Castellà.
Document: bachelorThesis ; Text
Àrea temàtica: Menció Computació
Matèria: Pedres de ronyó ; Mystone ; Dispositiu mèdic ; Convolutional Neural Network ; Deep Learning ; AlexNet ; Fine-tune ; Classificació ; Piedras de riñón ; Dispositivo médico ; Clasificación ; Kidney Stones ; Medical Device ; Classification



11 p, 864.0 KB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG

 Registre creat el 2016-05-11, darrera modificació el 2016-07-14



   Favorit i Compartir