Mejoramiento de la resolución espacial en imágenes dMRI mediante la aplicación de arquitecturas de aprendizaje profundo

Cuéllar Borrero, Juan Manuel; Salas Medina, Edixon Alirio

Mejoramiento de la resolución espacial en imágenes dMRI mediante la aplicación de arquitecturas de aprendizaje profundo

dc.contributor.advisor	Vargas Cardona, Hernán Darío
dc.contributor.author	Cuéllar Borrero, Juan Manuel
dc.contributor.author	Salas Medina, Edixon Alirio
dc.date.accessioned	2024-06-14T20:49:29Z
dc.date.available	2024-06-14T20:49:29Z
dc.date.issued	2023
dc.description.abstract	Conforme avanza el tiempo, más son los beneficios que trae la tecnología para diversidad de actividades humanas: entretenimiento, turismo, comodidad, y por supuesto la medicina. Dichos avances han logrado crear maneras de poder explorar el interior del cuerpo humano de manera que no sea necesario el uso de procedimientos quirúrgicos. Las imágenes médicas son un conjunto de modalidades que son utilizadas con fines diagnósticos, por lo que son de suma importancia para la medicina. Dentro de dichas modalidades se encuentra la resonancia magnética (MRI, por sus siglas en inglés) la cual utiliza radiación magnética para poder obtener información sobre los tejidos con una visualización en tercera dimensión (3D); dentro de los tipos de MRI, se encuentra la imagen de resonancia magnética por difusión (dMRI), en la cual se somete al paciente a campos magnéticos desde distintos gradientes direccionales generando una excitación en las moléculas de agua que se encuentran dentro de los tejidos del cuerpo, las cuales empiezan a moverse y reorientarse con respecto al campo magnético aplicado, lo que genera señales detectables. El problema con este tipo de imágenes es su resolución espacial y la relación señal-ruido (SNR) debido principalmente a las limitaciones de hardware en los escáneres usados, pues los protocolos clínicos actuales permiten adquisiciones rápidas, lo que conlleva a una resolución espacial baja del estudio y muchas veces da como resultado imágenes que no son lo suficientemente buenos para el diagnóstico clínico. El acercamiento propuesto en este documento es realizar Super Resolución mediante el uso de Deep Learning con 3 tipos de redes neuronales: Super-Resolution Convolutional Neural Network (SRCNN), Enhanced Deep Super-Resolution Network (EDSR) y Very Deep Super Resolution Network (VDSR) las cuales son herramientas muy usadas en los sistemas de visión por computadora. Así pues, se entrena la IA, para tener un modelo predictivo que con base en una imagen de baja resolución pueda generar una nueva con mayor resolución espacial
dc.format.extent	76 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	https://vitela.javerianacali.edu.co/handle/11522/2625
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javeriana Cali
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Diffusion magnetic resonance imaging - dMRI
dc.subject	Diffusion tensor imaging - DTI
dc.subject	Resolución espacial
dc.subject	Interpolación
dc.subject	Convolutional Neural Network - CNN
dc.subject	Enhanced Deep Super-Resolution Network - EDSR
dc.subject	Very Deep Super-Resolution Network VDSR
dc.subject	Regresión
dc.subject	Deep Learning
dc.thesis.discipline	Facultad de Ingeniería y Ciencias. Ingeniería de Sistemas y Computación
dc.thesis.grantor	Pontificia Universidad Javeriana Cali
dc.thesis.level	Pregrado
dc.thesis.name	Ingeniero de Sistemas y Computación
dc.title	Mejoramiento de la resolución espacial en imágenes dMRI mediante la aplicación de arquitecturas de aprendizaje profundo	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP