Examinando por Materia "Imágenes digitales"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónAcceso abierto
    Clasificación de normalidad en tejido de mamas a partir de imágenes digitales de rayos x
    (Universidad del Valle, 2022) Velasco Giraldo, Diego Fernando; TOBAR BLANDON, MARIA FERNANDA; Loaiza-Correa, Humberto
    Se utilizaron técnicas de procesamiento de imágenes y reconocimiento de patrones. Específicamente, se implementaron dos métodos distintos para la segmentación de la mama, una que se basa en operaciones morfológicas, entropía, etc., y otra en la arquitectura de red neuronal convolucional U-Net. Para la clasificación y detección de anormalidades, se aplicaron técnicas basadas en máquinas de aprendizaje profundas (arquitecturas de redes neuronales convolucionales DenseNet121 + U-Net) y en máquinas de aprendizaje superficiales (perceptrón multicapa MLP y máquina de soporte vectorial SVM). Las entradas de estas dos últimas, son características estadísticas extraídas del histograma de las imágenes, junto con descriptores de textura a partir de la matriz de co-ocurrencia en niveles de gris, de las imágenes originales y de los patrones binarios locales de las imágenes (LBP). Se obtuvieron resultados sobresalientes. En las dos técnicas de segmentación de la mama desarrolladas se obtuvo un índice de similitud de Jaccard de 0,72 con el primer método y de 0,95 con el segundo, respecto a los ground truth. La clasificación de mamografías como normales o anormales con la arquitectura de red profunda DenseNet121 presentó una exactitud del 94% para el conjunto de test y, la detección de anormalidades con la arquitectura U-Net en mamografías de test clasificadas como anormales por DenseNet121, presentó un promedio de intersección con los ground truth de 0,94. Con las máquinas de aprendizaje superficiales, se clasificaron regiones normales y anormales de las imágenes para detectarlas posteriormente con un algoritmo de ventana deslizante. La clasificación de estas regiones tuvo una exactitud de 96,2% con el perceptrón multicapa (MLP) y de 97,1% con la máquina de soporte vectorial (SVM). Con estas dos máquinas de aprendizaje, la ventana deslizante detectó algunas anormalidades en las imágenes, pero se puede mejorar con técnicas complementarias en trabajos futuros. Se espera que este sistema contribuya a la elaboración de herramientas de soporte para los médicos radiólogos y, por ende, reduzca el margen de error en el diagnóstico de mamografías.
  • Miniatura
    PublicaciónAcceso abierto
    Eliminación de fotogramas no informativos en un sistema de anotación de videos de colonoscopia
    (Universidad del Valle, 2016) Ballesteros Pérez, Cristian Javier; Trujillo Uribe, Maria Patricia
    Con los recientes avances tecnológicos se han logrado desarrollos significativos en diversos campos, como ha ocurrido en el campo de la salud. Estos desarrollos han permitido optimizar procesos que anteriormente se realizaban de forma manual o de los que se obtenían resultados subjetivos. En este trabajo de grado se abordan los temas de anotación de lesiones y clasificación de fotogramas no informativos en videos de colonoscopia, el cual está inspirado por el trabajo que se realiza en la Universidad de Dundee, Reino Unido, sobre el desarrollo de algoritmos de inteligencia artificial para la detección automática de cáncer y pólipos en videos de colonoscopia.
  • Miniatura
    PublicaciónAcceso abierto
    Evaluación del modelo 3D de una escultura obtenido con técnicas de fotogrametría a partir de imágenes de corto alcance capturadas con teléfonos inteligentes
    (Universidad del Valle, 2017) Muñoz Bedoya, Diana Sofía; Loaiza Correa, Humberto; Díaz Paz, Jean Pierre
    La reconstrucción tridimensional a partir de múltiples imágenes es un enfoque eficiente en cuanto a costo de adquisición y almacenamiento de la información. Los algoritmos para la orientación automática de imágenes son un tema importante de investigación en Visión Artificial y Fotogrametría, ya que se han desarrollado algoritmos basados en correspondencia de características y Structure From Motion (SfM), que han evolucionado a través del fortalecimiento de sus fundamentos matemáticos, estadísticos y geométricos en beneficio de mejorar su robustez y rendimiento global. El presente trabajo de grado expone la aplicación de una metodología para la generación de un modelo tridimensional usando imágenes terrestres capturadas con la cámara de un teléfono inteligente. La metodología combina las técnicas de Visión Artificial y Fotogrametría para generar un sistema automático de reconstrucción a partir de las relaciones entre puntos característicos identificados en múltiples imágenes. Las imágenes para reconstrucción son almacenadas en el dispositivo móvil y el sistema de reconstrucción se desarrolla en el lenguaje de programación de Matlab, conformado con procesos para la identificación y registro de características, estimación de la geometría y reconstrucción de la escena. El sistema se pone a prueba con diferentes conjuntos de imágenes con la intensión de identificar las condiciones de la escena que permitan un mejor resultado en la reconstrucción, adicionalmente se realizó la integración del modelo resultante con otro de referencia obtenido con el dispositivo Kinect usando el software CloudCompare para establecer cuantitativamente la precisión de la información generada. Las pruebas mostraron buenos resultados usando imágenes donde las condiciones de las cámaras respecto a: iluminación, sensibilidad, enfoque y balance de blancos estuvieran configuradas equivalentemente, obteniendo una precisión de 65.53 %.