Técnicas de segmentación semántica basadas en aprendizaje profundo aplicadas a retinografías
Ver/
Identificadores
URI: http://hdl.handle.net/10317/9026Compartir
Métricas
Estadísticas
Ver Estadísticas de usoMetadatos
Mostrar el registro completo del ítemAutor
García Navarro, CarlosDirector/a
Morales Sánchez, JuanEscuela/Centro
Escuela Técnica Superior de Ingeniería de TelecomunicaciónUniversidad
Universidad Politécnica de CartagenaDepartamento
Tecnologías de la Información y las ComunicacionesÁrea de conocimiento
Teoría de la Señal y las ComunicacionesFecha de publicación
2020-12-08Palabras clave
Inteligencia artificialArtificial intelligence
Robots industriales
Industrial robots
Tecnología médica
Medical technology
Resumen
[SPA] Los avances de la última década han brindado al Deep Learning de una versatilidad
que permite aplicarlo a problemas de cualquier índole. Esta característica ha propiciado la
creación de diversos modelos de aprendizaje máquina por parte de la comunidad científica,
dedicados a resolver un determinado problema. En el caso que compete, segmentación
semántica, se ha entrenado una red neuronal profunda con el objetivo de identificar dos
zonas en la retinografía, que permiten hacerse una idea del estado del glaucoma. Estas son
el disco óptico y la excavación, con las cuales se obtiene un parámetro conocido como Cupto-Disk ratio, muy útil para diagnosticar esta enfermedad.
En el presente trabajo se busca segmentar retinografías utilizando dos bases de datos
de libre acceso: RIMONEr3 y RIGA. Gracias a su gran extensión, la red ha logrado aprender
las características necesarias para segmentar adecuadamente las imágenes, que se ven reflejadas en una media de índice de Dice de 0.960 ...
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia:
Redes sociales