Análisis comparativo de Modelos de Segmentación en imágenes de tomografía computarizada (CT) del área abdominal

Simple item page
dc.contributor.advisorGil González, Julián
dc.contributor.authorPolanco Velasco, Jan
dc.contributor.authorAstudillo Bello, Stefania
dc.date.accessioned2024-09-11T14:11:51Z
dc.date.available2024-09-11T14:11:51Z
dc.date.issued2024
dc.description.abstractEl presente trabajo de grado titulado “Análisis comparativo de Modelos de Segmentación en imágenes de tomografía computarizada (CT) del área abdominal” se propone desarrollar y comparar seis modelos de Deep Learning ampliamente utilizados en tareas de segmentación: U-Net, U-Net con Backbone VGG16, U-Net con Backbone ResNet50, SegNet, FPN con Backbone ResNet50 y LinkNet con Backbone VGG16. El objetivo principal de este estudio es determinar cuál de estos modelos ofrece el mejor rendimiento en términos de precisión, recall, coeficiente Dice, accuracy, IoU y loss, al segmentar imágenes de CT del área abdominal. El proyecto se estructura en varias etapas clave. En primer lugar, se lleva a cabo una recolección y procesamiento exhaustivo de los datos de CT abdominal, incluyendo técnicas de limpieza de artefactos y ruido adicional, así como el uso de Data Augmentation para aumentar la diversidad del conjunto de datos. Posteriormente, se implementan y entrenan los modelos de segmentación seleccionados utilizando plataformas avanzadas de computación, como Kaggle, ajustando los parámetros específicos para el problema en cuestión. La evaluación del rendimiento de cada modelo se realiza utilizando un conjunto de métricas rigurosas y específicas, tales como precisión, recall, coeficiente Dice, accuracy, IoU, loss, F1 y F2, permitiendo un análisis comparativo detallado de los resultados obtenidos. Además, se consideran aspectos como el tiempo de entrenamiento y la capacidad de generalización de los modelos a nuevos datos no vistos durante el entrenamiento.
dc.description.abstractengThe present thesis titled "Comparative Analysis of Segmentation Models in Abdominal Area Computed Tomography (CT) Images" aims to develop and compare six widely used Deep Learning models for segmentation tasks: U-Net, U-Net with VGG16 Backbone, U-Net with ResNet50 Backbone, SegNet, FPN with ResNet50 Backbone, and LinkNet with VGG16 Backbone. The main objective of this study is to determine which of these models offers the best performance in terms of precision, recall, Dice coefficient, accuracy, IoU, and loss when segmenting CT images of the abdominal area. The project is structured into several key stages. First, a thorough collection and processing of abdominal CT data is carried out, including artifact cleaning techniques and additional noise removal, as well as the use of Data Augmentation to increase the diversity of the dataset. Subsequently, the selected segmentation models are implemented and trained using advanced computing platforms, such as Kaggle, adjusting the specific parameters for the problem at hand. The performance evaluation of each model is carried out using a set of rigorous and specific metrics, such as precision, recall, Dice coefficient, accuracy, IoU, loss, F1, and F2, allowing for a detailed comparative analysis of the obtained results. Additionally, aspects such as training time and the models' generalization capacity to unseen data during training are considered.
dc.format.extent93 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttps://vitela.javerianacali.edu.co/handle/11522/4026
dc.language.isospa
dc.publisherPontificia Universidad Javeriana Cali
dc.publisher.facultyFacultad de Ingeniería y Ciencias
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectSegmentación
dc.subjectModelos de deep learning
dc.subjectTomografía computarizada
dc.subjectSegmentation
dc.subjectDeep learning models
dc.subjectComputed tomography
dc.thesis.disciplineFacultad de Ingeniería y Ciencias. Maestría en Ciencia de Datos - Modalidad virtual
dc.thesis.grantorPontificia Universidad Javeriana Cali
dc.thesis.levelMaestría
dc.thesis.nameMagíster en Ciencia de Datos
dc.titleAnálisis comparativo de Modelos de Segmentación en imágenes de tomografía computarizada (CT) del área abdominalspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
Análisis_Modelos_Segmentación.pdf
Size:
2.58 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia de Uso.pdf
Size:
398.06 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos