Icono govco

Examinando por Materia "redes neuronales convolucionales"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónSólo datos
    Un análisis comparativo de arquitecturas de Redes Neuronales Convolucionales para clasificación de grado de riesgo de lesiones de próstata a partir de imágenes unimodales o bimodales de mpMRI
    (Universidad de los Llanos, 2021-06-16) Caviedes Rojas, Mauricio; Alvarez Jiménez, Charlems; Romero Castro, Eduardo; Cruz Roa, Ángel Alfonso
    Este trabajo presenta un análisis comparativo de cinco arquitecturas de redes neuronales convolucionales (CNN) usando imágenes de resonancia magnética multiparamétrica (mpMRI) para la clasificación de tejidos con presencia de lesiones de cáncer próstata. Como conjunto de datos de entrenamiento y validación se usó SPIE-AAPM-NCI Prostate MR Classification Challenge, el cual cuenta con 344 casos de imágenes de resonancia magnéticade las modalidades: T2W (T2 Ponderado), ADC (Coeficiente de Difusión Aparente) y Ktrans (imágenes preprocesadas de la modalidad DCE - Dinámico de Contraste Mejorado), a partir del cual se usaron tres subconjuntos de datos de una sola modalidad independiente (unimodal): T2W, ADC y Ktrans, y dos subconjuntos de datos combinando dos modalidades (bimodal): Ktrans-ADC y Ktrans-T2W, para su comparación y análisis. A partir de la escala deGleason (Gleason score - GS) y el grado ISUP (International Society of Urologic Pathologists), las cuales son usada para medir el grado de agresividad del cáncer de próstata, se establecieron dos niveles de agresividad: Bajo y Alto. La clase Bajo son aquellas lesiones con GS = 6, y la clase Alto, las lesiones con el valor del GS > 7. Los resultados experimentales muestran un rendimiento superior con las imágenes de la modalidad Ktrans en las 4 primeras arquitecturas obteniendo un valor máximo de AUC (area under ROC curve o área bajo la curva) de 0.71 ± 0.127. Sin embargo, la quinta arquitectura inspirada en la LetNet combinando dos modalidades de mpMRI, Ktrans-T2W, se obtiene un AUC de 0.72 ± 0.058, lo cual sugiere ligeramente que, aunque la modalidad Ktrans es la más relevante, su combinación con T2W podría mejorar la precisión diagnóstica.
  • Miniatura
    PublicaciónSólo datos
    Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales
    (Universidad de los Llanos, 2017-07-16) Suárez Londoño, Arnol Sneider; Jiménez López, Andrés Fernando; Castro Franco, Mauricio; Cruz Roa, Angel Alfonso
    La clasificación de cobertura del suelo es importante para estudios de cambio climático y monitoreo de servicios ecosistémicos. Los métodos convencionales de clasificación de coberturas se realizan mediante la interpretación visual de imágenes satelitales, lo cual es costoso, dispendioso e impreciso. Implementar métodos computacionales permite generar clasificación de coberturas en imágenes satelitales de manera automática, rápida, precisa y económica. Particularmente, los métodos de aprendizaje automático son técnicas computacionales promisorias para la estimación de cambios de cobertura del suelo. En este trabajo se presenta un método de aprendizaje automático basado en redes neuronales convolucionales de arquitectura tipo ConvNet para la clasificación automática de coberturas del suelo a partir de imágenes Landsat 5 TM. La ConvNet fue entrenada a partir de las anotaciones manuales por medio de interpretación visual sobre las imágenes satelitales con las que los expertos generaron el mapa de cobertura del parque nacional el Tuparro, de los Parques Nacionales Naturales de Colombia. El modelo de validación se realizó con datos de los mapas de coberturas del Amazonas colombiano realizado por el Sistema de Información Ambiental de Colombia. Los resultados obtenidos de la diagonal de la matriz de confusión de la exactitud promedio fue de 83.27% en entrenamiento y 91.02% en validación; para la clasificación en parches entre Bosques, áreas con vegetación herbácea y/o arbustiva, áreas abiertas sin o con poca vegetación y aguas continentales.