Year: 2014
Type: dissertation
Abstract: Las imágenes digitales adquiridas como resultado de la Resonancia Magnética son ampliamente utilizadas para diagnosticar, estudiar y pronosticar la evolución y respuesta al tratamiento de una gran variedad de patologías.\n\t\t\t\t La interpretación adecuada de estas imágenes requiere un extenso y complejo análisis asociado que involucra numerosas técnicas informáticas. En la práctica, las principales dificultades para clasificar las Imágenes de Resonancia Magnética (IRM) utilizando métodos de Aprendizaje Automático son el extenso volumen de información asociada a este formato, el ruido intrínseco y la normalmente escasa cantidad de sujetos presentes en las investigaciones, lo que dificulta notablemente su procesamiento.\n\t\t\t\t Este trabajo analiza el comportamiento en situaciones reales de las técnicas más utilizadas en el estado del arte para la clasificación automática de IRM cerebrales como Discriminante Lineal, Redes Neuronales y Maquina de Vectores de Soporte, así como la influencia de distintos pre-procesamientos de la imagen (alineamiento, recorte de la imagen, extracción de ROIs) en el resultado de la clasificación. Además, se investigan adicionalmente otros factores importantes, como el uso de diferentes tipos de imágenes de Resonancia Magnética (T2 y Difusión) y la incorporación adicional de sujetos de control al entrenamiento. Con este fin se han utilizado las bases de datos de activación cerebral por apetito y cáncer proporcionadas por el Laboratorio de Imagen y Espectroscopia por Resonancia Magnética del Instituto de Investigaciones Biomédicas Alberto Sols (IIB) CSIC/UAM, en Madrid, España. El objetivo general de este estudio es detectar qué tipo de pre-procesamiento y qué algoritmos de clasificación proporcionan mejor clasificación automática.\n\t\t\t\t Los resultados obtenidos muestran como mejor secuencia de procesamiento; el alineamiento con recorte y la reducción dimensional, previo a la clasificación utilizando SVM (Maquina de Vectores de Soporte, Support Vector Machine).
Authors: Peláez Brioso, Arturo Gerardo
Language: Spanish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W2317627164