Mostrar el registro sencillo del ítem

dc.contributor.advisorLuque-Baena, Rafael Marcos
dc.contributor.advisorPalomo Ferrer, Esteban José
dc.contributor.authorRomero Granados, Irene
dc.contributor.otherLenguajes y Ciencias de la Computaciónes_ES
dc.date.accessioned2022-09-21T11:01:11Z
dc.date.available2022-09-21T11:01:11Z
dc.date.issued2022-06
dc.identifier.urihttps://hdl.handle.net/10630/25052
dc.description.abstractHoy en día las cardiopatías son una de las principales causas de muerte, siendo esencial crear y mantener protocolos de prevención junto con un correcto diagnóstico para aquellos que sufran una enfermedad cardiovascular. Una de estas enfermedades es la estenosis coronaria, patología que debido al estrechamiento de las arterias coronarias puede llegar a producir un infarto del miocardio o incluso la muerte. Para su diagnostico se realiza una coronariografía, prueba que consiste en realizar una tinción de las arterias mediante el uso de un catéter, el cual permite visualizar el estado de las arterias mediante rayos X. Las imágenes coronariográficas son el resultado de dicha prueba. En este estudio se utilizarán regiones de dichas imágenes coronariográficas para entrenar un modelo usando una red neuronal densa desde cero, junto con redes pre-entrenadas como ResNet50, EfficientNetB4 y MobileNet, y clasificarlas como imagen con estenosis o sin estenosis. Se hará uso de la validación cruzada en el entrenamiento para obtener un resultado que no dependa de la división del conjunto en entrenamiento y test, debido al desbalanceo de las clases del conjunto, y además se aplicarán 4 técnicas diferentes de aumento de datos para intentar mejorar los resultados de los modelos. Estas técnicas son : muestreo y aumento del conjunto de datos, aumento de la clase minoritaria, aumento proporcional de los datos y datos sintéticos). Se evaluarán los modelos obtenidos con el conjunto de test y el que obtenga mejor resultado se usará como modelo de aprendizaje integrado en una aplicación web dónde cualquier usuario pueda introducir una imagen coronariográfica. En la parte del servidor de la aplicación web se dividirá la imagen coronariográfica en regiones de 32x32 y se aplicará a cada región un algoritmo de detección de estenosis usando dicho modelo y se localizará en la imagen introducida por el usuario dónde se encuentra la estenosis.es_ES
dc.language.isospaes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectSistemas de imágenes en Medicinaes_ES
dc.subjectImágenes, Tratamientoes_ES
dc.subjectCorazón - Enfermedadeses_ES
dc.subjectInformática - Trabajos Fin de Gradoes_ES
dc.subjectGrado en Ingeniería de la Salud - Trabajos Fin de Gradoes_ES
dc.subject.otherRed neuronales_ES
dc.subject.otherEstenosises_ES
dc.subject.otherCoronariografíaes_ES
dc.subject.otherRed preentrenadaes_ES
dc.subject.otherValidación cruzadaes_ES
dc.subject.otherAumento de datoses_ES
dc.titleDetección de estenosis en imágenes coronariográfícas aplicando aprendizaje profundoes_ES
dc.title.alternativeDetection of stenosis in coronary angiography images using Deep Learninges_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.centroE.T.S.I. Informáticaes_ES
dc.rights.ccAttribution-NonCommercial-NoDerivatives 4.0 Internacional*


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional