Mostrar el registro sencillo del ítem

dc.contributor.advisorOrtiz Cuadros, José Davidspa
dc.contributor.advisorOrtiz Beltrán, Arielspa
dc.contributor.authorGüiza Ortiz, María Camilaspa
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-03-26T11:48:46Z
dc.date.available2021-03-26T11:48:46Z
dc.date.issued2020
dc.identifier.urihttp://hdl.handle.net/20.500.12749/12742
dc.description.abstractLos cálculos renales, o también conocidos como litiasis renal, están en la posición número 10 de enfermedades más buscadas y consultadas a los profesionales de la salud en Colombia (Pico, 2019). El problema tratado en este proyecto es la brecha de confiabilidad existente entre una imagen capturada por ultrasonido y una capturada por Tomografía Computarizada (TC) para la detección de litiasis renal. La captura de datos por TC en principio se considera más efectiva, pero tiene un costo mayor y es invasiva para el paciente; por otra parte, las imágenes capturadas por ecografía se pueden conseguir a menor costo, pero dependen en gran medida de la habilidad y experticia del profesional que las captura. Tomando en cuenta lo anterior, si se diseña un procedimiento que disminuya el ruido de la imagen y asista a los especialistas médicos en el proceso de detección, se podrán reducir los costos relacionados al diagnóstico y de esta manera, aumentar la precisión del mismo sin la necesidad de uso de equipos adicionales ni capacitación adicional para los profesionales; por esto, la posibilidad de tener un sistema que permita la detección de cálculos o litiasis renales a través de ecografías implicaría un avance importante en este campo y un apoyo para los especialistas radiólogos, ya que, con el procedimiento estándar utilizado actualmente (TC), generan un mayor costo y deben lidiar con los riesgos de la invasión al cuerpo humano en el momento del estudio.spa
dc.description.tableofcontents1. PLANTEAMIENTO DEL PROBLEMA, JUSTIFICACIÓN, PREGUNTA DE INVESTIGACIÓN E HIPÓTESIS. ........................................................................................................ 10 1.1 Justificación ................................................................................................................................... 11 1.2 Pregunta de investigación .......................................................................................................... 12 2. OBJETIVOS ................................................................................................................................... 13 2.1 Objetivo general ............................................................................................................................ 13 2.2 Objetivos específicos ................................................................................................................... 13 3. MARCO REFERENCIAL .............................................................................................................. 14 3.1 MARCO CONCEPTUAL ................................................................................................................ 14 3.1.1 Litiasis Renal ........................................................................................................................... 14 3.1.2 Inteligencia Artificial .............................................................................................................. 15 3.1.3 Deep Learning ......................................................................................................................... 15 3.1.4 Transfer Learning ................................................................................................................... 16 3.1.5 Redes Neuronales Convolucionales ................................................................................. 17 3.1.6 Ecografía (Ultrasonido) ......................................................................................................... 23 3.1.7 Tomografía Axial Computarizada (TAC) ........................................................................... 23 3.1.8 Object detection (Detección de objetos) .......................................................................... 23 3.1.9 Imagen ...................................................................................................................................... 24 3.1.10 Data Augmentation .......................................................................................................... 24 3.2 MARCO TEÓRICO ......................................................................................................................... 25 3.2.1 Machine Learning ................................................................................................................... 25 3.2.2 Técnicas de procesamiento de imágenes ........................................................................ 26 3.2.3 Procesamiento de imágenes médicas .............................................................................. 27 4 ESTADO DEL ARTE ..................................................................................................................... 31 5 MARCO LEGAL ............................................................................................................................. 58 5.1 Resolución 8430 de 1993 ............................................................................................................. 58 5.2 Consejo de la OCDE sobre inteligencia artificial (IA) ........................................................... 58 5.3 Ley 2015 del 31 de enero de 2020 ............................................................................................. 59 5.4 Declaración de Helsinki ............................................................................................................... 59 6. DISEÑO METODOLÓGICO ......................................................................................................... 60 7. RESULTADOS ............................................................................................................................... 61 7.1 OBJETIVO NO. 1: DIAGNOSTICAR EL USO DE DEEP LEARNING PARA LA DETECCIÓN DE LITIASIS RENAL .................................................................................................... 61 7.1.1 Diagnóstico del uso de deep learning en litiasis renal ................................................. 61 7.2 OBJETIVO NO. 2: DISEÑAR UN ALGORITMO BASADO EN DEEP LEARNING PARA LA DETECCIÓN DE LITIASIS RENAL. ................................................................................................... 82 7.2.1 Protocolo Médico ................................................................................................................... 82 7.2.2 Análisis de requerimientos del sistema ........................................................................... 92 7.2.3 Diagrama de procesos del sistema ................................................................................... 94 7.3 COMPLEMENTO DEL OBJETIVO NO. 2: DESARROLLO DEL ALGORITMO BASADO EN DEEP LEARNING PARA LA DETECCIÓN DE LITIASIS RENAL. ......................................... 95 7.3.1 Recopilación del Dataset con el Web Scrapper .............................................................. 95 7.3.2 Desarrollo del código ............................................................................................................ 96 7.4 OBJETIVO NO. 3: EVALUAR EL CORRECTO FUNCIONAMIENTO DEL SISTEMA PREDICTIVO CON EL CONJUNTO DE DATOS PRUEBA SUMINISTRADO CONTRASTÁNDOLO CON EL CONCEPTO DE LOS MÉDICOS EXPERTOS. ....................... 102 7.4.1 DOCUMENTO DE PRUEBAS ............................................................................................. 102 8. CONCLUSIONES ........................................................................................................................ 124 9. TRABAJO A FUTURO ................................................................................................................ 126 Referencias.......................................................................................................................................... 127spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleSistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learningspa
dc.title.translatedRenal lithiasis recognition system through diagnostic images based on deep learningspa
dc.degree.nameIngeniero de Sistemasspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsSystems engineereng
dc.subject.keywordsTechnological innovationseng
dc.subject.keywordsKidney stoneseng
dc.subject.keywordsNephrolithiasiseng
dc.subject.keywordsUrinary systemeng
dc.subject.keywordsDeep learningeng
dc.subject.keywordsUrinary stoneseng
dc.subject.keywordsArtificial intelligenceeng
dc.subject.keywordsSimulation by digital computerseng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesA. Sevik. P. Erdogmus and E. Yalein. (2018). Font and Turkish Letter Recognition in Images with Deep Learning. ANKARA, Turkey: IEEEspa
dc.relation.referencesAhmed Hosny, C. P., Quackenbush, J., Schwartz, L. H., & Aerts, H. J. (2018). Artificial intelligence in radiologyspa
dc.relation.referencesAkkasaligar & Biradar, P. T. (2016). Diagnosis of renal calculus disease in medical ultrasound images. Chennai, Indiaspa
dc.relation.referencesArias, J. M. (2019). Modelo de aprendizaje profundo / red neuronal convolucional (CNN) para clasificación de calidad de ácidos grasos por imágenes de semillas de Helianthus annuus.spa
dc.relation.referencesAzhar et al, K. A. (2016). Computer vision based detection and localization of potholes in asphalt pavement images. Vancouver, Canada: IEEEspa
dc.relation.referencesBejaimal & Bejaimal, S. B. (2017). Magnetic resonance enterography performs well in detecting active inflammation in pediatric inflammatory bowel disease.spa
dc.relation.referencesBUSTAMANTE, S.-H. Y. (2014). ALGORITMOS DE PROCESAMIENTO DE IMAGEN APLICADOS A LA DETECCIÓN DE FIGURAS GEOMÉTRICAS Y SUS PROPIEDADES ESPACIALESspa
dc.relation.referencesColombia, C. d. (2020). Ley 2015 del 31 de enero de 2020.spa
dc.relation.referencesDÅDERMAN, A., & ROSANDER, S. (2018). Evaluating Frameworks for Implementing Machine Learning in Signal Processing. STOCKHOLM, SVERIGEspa
dc.relation.referencesDiaz & Suárez, H. R. (2017). Ecografía clínica. Nuevas concepciones sobre una disciplina clásica en. Villa Clara. Cubaspa
dc.relation.referencesDutta & Dubey, A. D. (2019). Detection of Liver Cancer using Image Processing Techniques. Chennai, Indiaspa
dc.relation.referencesFarrera, M. S., & Acebes, A. d. (2015). Litiasis renalspa
dc.relation.referencesFawzi, A., Samulowitz, H., Turaga, D., & Frossard, P. (2016). Adaptive data augmentation for image classification. Phoenix, AZ, USAspa
dc.relation.referencesGamboa-Gutiérrez, E., Varela-Villalobos, M., & Varela-Briceño, C. (2020). Litiasis renal en Costa Rica: bioquímica y epidemiología. San José, Costa Rica.spa
dc.relation.referencesGarcía, R. G. (2015). Estudio comporativo de efectividad sedativa con propofol vs midazolam-fentanyl en pacientes sometidos a tomografía axial computarizada (TAC) de emergencia en el Hospital Luis Vernaza periodo 2013spa
dc.relation.referencesGollapudi, S. (2019). Learn Computer Vision Using OpenCV With Deep Learning CNNs and RNNs. Hyderabad, Telangana, Indiaspa
dc.relation.referencesGoularas & Kamis, D. G. (2019). Evaluation of Deep Learning Techniques in. Istanbul, Turkey: IEEEspa
dc.relation.referencesGraffigna et al, M. G. (2017). Diagnóstico de esteatosis hepática por métodos clínicos, bioquímicos y por imágenes. Argentina: ScienceDirect.spa
dc.relation.referencesGutiérrez et al, J. S. (2016). SÚPER RESOLUCIÓN Y MEJORA DEL ALGORITMO CANNY PARA LA DETECCIÓN DE BORDES EN IMÁGENES MÉDICASspa
dc.relation.referencesITELLIGENT. (3 de enero de 2018). ITELLIGENT. Obtenido de https://itelligent.es/es/deep-learning-convolutional-neuronal-network-cnnconsiste/spa
dc.relation.referencesKim & Ro, J. U. (2019). Attentive Layer Separation for Object Classification and Object Localization in Object Detection. Taipei, Taiwanspa
dc.relation.referencesKoplay et al, M. S. (2015). Importance of imaging and recent developments in diagnosis of nonalcoholic fatty liver disease. World journal of hepatology, 7(5), 769–776. doi:10.4254/wjh.v7.i5.769. Konya, Turquía.spa
dc.relation.referencesKrizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks.spa
dc.relation.referencesLeCun. Bengio & Hinton. (2015). Deep learningspa
dc.relation.referencesLemley, J., Bazrafkan, S., & Corcoran, P. (2017). Deep Learning for Consumer Devices and Servicesspa
dc.relation.referencesLi et al, D. L.-I. (2019). Soft Phantom for the Training of Renal Calculi Diagnostics and Lithotripsy. Berlin, Germanyspa
dc.relation.referencesLu, H., Li, Y., Chen, M., Kim, H., & Serikawa, S. (2017). Brain Intelligence: Go beyond Artificial Intelligence.spa
dc.relation.referencesMangayarkarasi &Najumnissa, T. M. (2017). PNN-based analysis system to classify renal pathologies in Kidney Ultrasound Images. Chennai, India.spa
dc.relation.referencesMcAninch & Lue, J. W. (2020). Smith & Tanagho's General Urology.spa
dc.relation.referencesMello Legal & Vázquez, M. R. (2015). Mejora de contraste de imagen a color utilizando la transformada de top-hat multiescala. San Lorenzo, Paraguay.spa
dc.relation.referencesMINSALUD. (2018). Estimación de oferta de médicos especialistas en Colombia 1950-2030. Bogotá, Colombiaspa
dc.relation.referencesMinTIC. (22 de mayo de 2019). MinTIC. Obtenido de https://www.mintic.gov.co/portal/inicio/Sala-de-Prensa/MinTIC-en-los Medios/100826:Colombia-se-adhiere-a-acuerdo-de-Inteligencia-Artificialante-la-OCDEspa
dc.relation.referencesMUNDIAL, A. G. (2000). DECLARACIÓN DE HELSINKI: PRINCIPIOS ÉTICOS PARA LA INVESTIGACIÓN MÉDICA SOBRE SUJETOS HUMANOSspa
dc.relation.referencesNa8. (29 de noviembre de 2018). https://www.aprendemachinelearning.com. Obtenido de https://www.aprendemachinelearning.com/como-funcionan-lasconvolutional-neural-networks-vision-por-ordenadorspa
dc.relation.referencesNieto, V. M., & Yanes, M. I. (2019). Nefrología.spa
dc.relation.referencesPalacios, H. J., Pantoja, G. A., Navarro, A. A., Puetaman, I. M., & Toledo, R. A. (2016). Comparativa entre CRISP-DM y SEMMA para la limpieza de datos en productos MODIS en un estudio de cambio de cobertura y uso del suelo.spa
dc.relation.referencesPico, L. M. (11 de abril de 2019). Este es el escalafón de enfermedades más buscadas en Colombia. Lafmspa
dc.relation.referencesPoggio et al, G. P. (2017). La ecografía primero: ¿Por qué, cómo y cuándo? La Plata, Argentinaspa
dc.relation.referencesPortillo, C. O. (2016). Selección y adecuación de la imagen para productos editorialesspa
dc.relation.referencesQuintero et al, C. Q.-G. (2017). Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo. ESTEC Conference Proceedings 6th Engineering, Science and Technology Conference (2017). Knowledge E. Engaging mindsspa
dc.relation.referencesRaghunandan et al, A. R. (2018). Object Detection Algorithms for Video Surveillance Applications. Chennai, India.spa
dc.relation.referencesRanjitha, M. (2016). Extraction and dimensionality reduction of features for Renal Calculi detection and artifact differentiation from segmented ultrasound kidney images. New Delhi, India.spa
dc.relation.referencesRozman, F. (2016). Medicina Interna. Elsevier, Españaspa
dc.relation.referencesSalud, M. d. (1999). Resolución 1995 de 1999.spa
dc.relation.referencesSchäfer, F., Zeiselmair, C., Becker, J., & Otten, H. (2018). Synthesizing CRISP-DM and Quality Management: A Data Mining Approach for Production Processes. Marrakech, Morocco, Moroccospa
dc.relation.referencesShah & Kadge, T. S. (2019). Analysis and Identification of Renal Calculi in Computed Tomography Images. Navi Mumbai, Indiaspa
dc.relation.referencesShao Zhu & Li, L. S. (2014). Transfer Learning for Visual Categorization: A Surveyspa
dc.relation.referencesSharma, K., & Nandal, D. R. (2019). A Literature Study on Machine Learning Fusion. Rohtak, Haryana, Indiaspa
dc.relation.referencesSnopek, K. M. (2017). Relationship between the cayley-dickson fourier transform and the hartley transform of multidimensional real signals. Barcelona, Spainspa
dc.relation.referencesSocial, M. d. (2017). Resolución Nº 839 de 23 de marzo de 2017spa
dc.relation.referencesStevens, E., & Antiga, L. (2019). Deep Learning with PyTorch.spa
dc.relation.referencesSupriyanti et al, R. S. (2016). Brightness and Contrast Modification in Ultrasonography Images Using Edge Detection Results.spa
dc.relation.referencesVelásquez, A. R. (1999). Procesamiento de imágenes médicasspa
dc.relation.referencesWeiss. Khoshgodtaar & Wang, K. W. (2016). A survey of transfer learning. SpringerOpen.spa
dc.relation.referencesX. Li and Y. Shi. (2018). Computer Vision Imaging Based on Artificial Intelligence. Changsha, China: IEEEspa
dc.relation.referencesZabala Rivera & Maldonado, S. A. (2009). Metodología para la implementación de un sistema de reconocimiento de objetos mediante técnicas de visión artificial aplicado a manipuladores robóticos.spa
dc.relation.referencesAkbulut, Y., Sengur, A., Guo, Y., & Smarandache, F. (2017). NS-k-NN: Neutrosophic Set-Based k-Nearest Neighbors Classifierspa
dc.relation.referencesaws. (2020). https://aws.amazon.com/. Obtenido de https://aws.amazon.com/es/mxnetspa
dc.relation.referencesBattineni, G., Chintalapudi, N., & Amenta, F. (2019). Machine learning in medicine: Performance calculation of dementia prediction by support vector machines (SVM)spa
dc.relation.referencesBudhiraja, A. (15 de diciembre de 2016). Medium. Obtenido de https://medium.com/@amarbudhiraja/https-medium-com-amarbudhirajalearning-less-to-learn-better-dropout-in-deep-machine-learning74334da4bfc5spa
dc.relation.referencesChillón, F. R. (19 de agosto de 2020). Clínica Universidad de Navarra. Obtenido de https://www.cun.es/enfermedades-tratamientos/enfermedades/litiasis-renalspa
dc.relation.referencesCuevas, E., & Reyna-Orta, A. (2014). A Cuckoo Search Algorithm for Multimodal Optimization.spa
dc.relation.referencesEspejel, O. (2020). Entendiendo PyTorch: las bases de las bases para hacer inteligencia artificial.spa
dc.relation.referencesFan, Q., Brown, L., & Smith, J. (2016). A Closer Look at Faster R-CNN for Vehicle Detectionspa
dc.relation.referencesGirshick, R. (2015). Fast R-CNNspa
dc.relation.referencesGoodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learningspa
dc.relation.referencesHuang, G., Liu, Z., Weinberger, K. Q., & Maaten, L. v. (2016). Densely Connected Convolutional Networksspa
dc.relation.referencesimagingbiometrics. (2017). imagingbiometrics. Obtenido de https://www.imagingbiometrics.com/what-we-offer/product-services/ibstonecheckerspa
dc.relation.referencesIndex, P. P. (septiembre de 2020). https://pypi.org/. Obtenido de https://pypi.org/project/Theanospa
dc.relation.referencesinfosalus. (06 de octubre de 2014). infosalus. Obtenido de https://www.infosalus.com/asistencia/noticia-realizan-programa-informaticomejorar-diagnostico-pacientes-calculos-renales-20140402124529.htmlspa
dc.relation.referencesJia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., . . . Darrell, T. (2014). Caffe: Convolutional Architecture for Fast Feature Embeddingspa
dc.relation.referencesLeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning.spa
dc.relation.referencesLeslie, S. W., Sajjad, H., & Murphy, P. B. (2020). Renal Calculi.spa
dc.relation.referencesLiu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector.spa
dc.relation.referencesMálaga, U. d. (1 de septiembre de 2020). Urólogos de Málaga. Obtenido de https://www.urologosmalaga.com/tratamientos/litiasis-calculos/4-1-litiasiscalculos-evaluacion-y-diagnostico/spa
dc.relation.referencesMathWorks. (24 de agosto de 2020). GoogLeNet convolutional neural network. Obtenido de MathWorks: https://www.mathworks.com/help/deeplearning/ref/googlenet.htmlspa
dc.relation.referencesMayoClinic. (8 de febrero de 2019). MayoClinic. Obtenido de https://www.mayoclinic.org/es-es/diseases-conditions/kidneystones/diagnosis-treatment/drc-20355759spa
dc.relation.referencesmissinglink.ai. (2020). missinglink.ai. Obtenido de https://missinglink.ai/guides/keras/keras-resnet-building-training-scalingresidual-netskeras/#:~:text=Residual%20Network%20(ResNet)%20is%20a,or%20thousa nds%20of%20convolutional%20layers.&text=ResNet%20stacks%20up%20i dentity%20mappings,the%20activations%spa
dc.relation.referencesNavamani, T. (2019). Efficient Deep Learning Approaches for Health Informatics. Deep Learning and Parallel Computing Environment for Bioengineering Systemsspa
dc.relation.referencesPeixeiro, M. (12 de marzo de 2019). towardsdatascience. Obtenido de https://towardsdatascience.com/how-to-improve-a-neural-network-withregularization-8a18ecda9fe3spa
dc.relation.referencesPereira-Toledo, A., López-Cabrera, J. D., & Quintero-Domínguez, L. A. (2017). Estudio experimental para la comparación del desempeño de Naïve Bayes con otros clasificadores bayesianosspa
dc.relation.referencesPyTorch. (2020). PyTorch. Obtenido de https://pytorch.orgspa
dc.relation.referencesRedmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection.spa
dc.relation.referencesRizwan, M. (05 de Octubre de 2018). DataCamp. Obtenido de https://www.datacamp.com/community/news/how-to-implement-alexnet-cnnarchitecture-using-keras-7vq9ilt9qb7spa
dc.relation.referencesSak, H., Senior, A., & Beaufays, F. (2014). Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling.spa
dc.relation.referencesSankesara, H. (23 de Enero de 2019). UNet, Introducing Symmetry in Segmentation. Obtenido de https://towardsdatascience.com/u-netb229b32b4a71spa
dc.relation.referencesShao Zhu & Li, L. S. (2014). Transfer Learning for Visual Categorization: A Surveyspa
dc.relation.referencesShorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning.spa
dc.relation.referencesSusaeta, R., Benavente, D., Marchant, F., & Gana, R. (2018). Diagnóstico y manejo de litiasis renal en adultos y niños. Santiago, Chile.spa
dc.relation.referencesTan, L. (2015). 17.2.2.1 Supervised learning. En Code Comment Analysis for Improving Software Quality (pág. 500).spa
dc.relation.referencesTharwat, A., Gaber, T., Ibrahim, A., & Hassanien, A. E. (2017). Linear discriminant analysis: A detailed tutorial.spa
dc.relation.referencesUAB. (30 de septiembre de 2014). UAB. Obtenido de https://www.uab.cat/web/sala-de-prensa/detalle-noticia/mystone-un-nuevodispositivo-de-analisis-rapido-de-calculos-renales1345667994339.html?noticiaid=1345676036016spa
dc.relation.referencesWang, L., Guo, S., Huang, W., & Qiao, Y. (2015). Places205-VGGNet Models for Scene Recognition. Hong Kong, Chinaspa
dc.relation.referencesWang, Z., Wang, Y., Zeng, R., Srinivasan, R. S., & Ahrentzen, S. (2018). Random Forest based Hourly Building Energy Predictionspa
dc.relation.referencesWeiss. Khoshgodtaar & Wang, K. W. (2016). A survey of transfer learningspa
dc.relation.referencesWu, S., Li, G., Deng, L., Liu, L., Wu, D., Xie, Y., & Shi, L. (2018). L1-Norm Batch Normalization for Efficient Training of Deep Neural Networksspa
dc.relation.referencesZeng, Y.-R., Zeng, Y., Choi, B., & Wang, L. (2017). Multifactor-Influenced Energy Consumption Forecasting Using Enhanced Back-propagation Neural Network.spa
dc.relation.referencesZhong, Z., Jin, L., & Xie, Z. (2015). High Performance Offline Handwritten Chinese Character Recognition Using GoogLeNet and Directional Feature Mapsspa
dc.relation.referencesCHILLÓN, F. R. (16 de agosto de 2020). Clínica Universidad de Navarra. Obtenido de https://www.cun.es/enfermedades-tratamientos/enfermedades/litiasisrenalspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000062739*
dc.contributor.orcidhttps://orcid.org/0000-0002-2347-6584*
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembCálculos urinariosspa
dc.subject.lembInteligencia artificialspa
dc.subject.lembSimulación por computadores digitalesspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishKidney stones, or also known as renal lithiasis, are in the 10th position of the most sought after diseases and consulted by health professionals in Colombia (Pico, 2019). The problem addressed in this project is the reliability gap between an image captured by ultrasound and one captured by Computed Tomography (CT) for the detection of kidney stones. CT data capture is considered more effective in principle, but it is more costly and invasive for the patient; On the other hand, images captured by ultrasound can be obtained at a lower cost, but they depend largely on the skill and expertise of the professional who captures them. Taking the above into account, if a procedure is designed that reduces image noise and assists medical specialists in the detection process, it will be possible to reduce the costs related to the diagnosis and thus increase the precision of the same without the need for the use of additional equipment or additional training for professionals; For this reason, the possibility of having a system that allows the detection of kidney stones or lithiasis through ultrasound would imply an important advance in this field and support for radiologist specialists, since, with the standard procedure currently used (CT), generate a higher cost and must deal with the risks of invasion into the human body at the time of the study.eng
dc.subject.proposalCálculos renalesspa
dc.subject.proposalLitiasis renalspa
dc.subject.proposalAparato urinariospa
dc.subject.proposalDeep learningspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Thumbnail

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

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia