Tesis y Trabajos de Grado
URI permanente para esta colección
Noticias
Navegar
Examinando Tesis y Trabajos de Grado por Materia "Análisis de imágenes médicas"
Mostrando 1 - 1 de 1
Resultados por página
Opciones de ordenación
Publicación Acceso abierto Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer(Universidad de los Llanos, 2019) Cano Ramírez, Fabián Alberto; Cruz Roa, Angel AlfonsoEl análisis y detección de patologías en láminas de histopatología requiere el tiempo de médicos patólogos especializados, quienes analizan las muestras de tejido en el microscopio. El tiempo que transcurre desde la extracción de tejido del paciente hasta que se conocen los resultados puede prolongarse por varios días e incluso meses, retrasando así el inicio del tratamiento. Gracias a la incipiente patología digital, las muestras son escaneadas y transformadas en imágenes digitales, permitiendo agilizar el análisis y detección de patologías. La sustitución de las imágenes microscópicas por imágenes digitales supone un avance importante que permite que patólogos a distancia puedan analizar los casos, reduciendo el tiempo necesario para iniciar el tratamiento y atención oportuna de pacientes con cáncer. Al realizar el análisis y preprocesamiento de las imágenes de histopatología por métodos computacionales se pueden reducir los tiempos de diagnóstico que requieren los patólogos para analizar los resultados, permitiendo a su vez priorizar el orden de las muestras más críticas o de difícil diagnóstico. En la actualidad existe un déficit de médicos patólogos, y los pocos que hay se encuentran concentrados en las ciudades principales del país, además, debido al limitado tiempo con el que cuentan y al incremento paulatino de las bases de datos de láminas digitalizadas de histopatología, es difícil la anotación manual y diagnóstico de todas las láminas por parte de los expertos. Por otra parte, los pacientes pueden requerir una segunda opinión acerca de un resultado, por lo que sería necesario esperar nuevamente por el análisis del médico patólogo, retrasando aún más en inicio del tratamiento. Debido a esto, es necesaria la incursión de métodos de aprendizaje computacional que puedan aprender a clasificar automáticamente regiones en grandes láminas de histopatología aprovechando los pocos ejemplos anotados por médicos patólogos. En este proyecto se implementa un algoritmo de aprendizaje de una sola vez que permite clasificar automáticamente regiones de tejido en grandes láminas digitalizadas de histopatología de cáncer de acuerdo con sus características visuales, con pocas o ninguna anotación por parte de expertos, así como la exploración de métodos de aprendizaje automático del estado del arte que incluyen estrategias de aprendizaje por transferencia como otra estrategia para aprovechar modelos entrenados previamente con más datos para escenarios con pocos datos anotados por los expertos.