Sistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning

dc.contributorOrtiz Cuadros, José David
dc.contributorOrtiz Beltrán, Ariel
dc.contributorhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000062739
dc.contributorhttps://orcid.org/0000-0002-2347-6584
dc.creatorGüiza Ortiz, María Camila
dc.date.accessioned2021-03-26T11:48:46Z
dc.date.accessioned2022-09-28T19:08:03Z
dc.date.available2021-03-26T11:48:46Z
dc.date.available2022-09-28T19:08:03Z
dc.date.created2021-03-26T11:48:46Z
dc.date.issued2020
dc.identifierhttp://hdl.handle.net/20.500.12749/12742
dc.identifierinstname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifierreponame:Repositorio Institucional UNAB
dc.identifierrepourl:https://repository.unab.edu.co
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/3712892
dc.description.abstractLos cálculos renales, o también conocidos como litiasis renal, están en la posición número 10 de enfermedades más buscadas y consultadas a los profesionales de la salud en Colombia (Pico, 2019). El problema tratado en este proyecto es la brecha de confiabilidad existente entre una imagen capturada por ultrasonido y una capturada por Tomografía Computarizada (TC) para la detección de litiasis renal. La captura de datos por TC en principio se considera más efectiva, pero tiene un costo mayor y es invasiva para el paciente; por otra parte, las imágenes capturadas por ecografía se pueden conseguir a menor costo, pero dependen en gran medida de la habilidad y experticia del profesional que las captura. Tomando en cuenta lo anterior, si se diseña un procedimiento que disminuya el ruido de la imagen y asista a los especialistas médicos en el proceso de detección, se podrán reducir los costos relacionados al diagnóstico y de esta manera, aumentar la precisión del mismo sin la necesidad de uso de equipos adicionales ni capacitación adicional para los profesionales; por esto, la posibilidad de tener un sistema que permita la detección de cálculos o litiasis renales a través de ecografías implicaría un avance importante en este campo y un apoyo para los especialistas radiólogos, ya que, con el procedimiento estándar utilizado actualmente (TC), generan un mayor costo y deben lidiar con los riesgos de la invasión al cuerpo humano en el momento del estudio.
dc.languagespa
dc.publisherUniversidad Autónoma de Bucaramanga UNAB
dc.publisherFacultad Ingeniería
dc.publisherPregrado Ingeniería de Sistemas
dc.relationA. Sevik. P. Erdogmus and E. Yalein. (2018). Font and Turkish Letter Recognition in Images with Deep Learning. ANKARA, Turkey: IEEE
dc.relationAhmed Hosny, C. P., Quackenbush, J., Schwartz, L. H., & Aerts, H. J. (2018). Artificial intelligence in radiology
dc.relationAkkasaligar & Biradar, P. T. (2016). Diagnosis of renal calculus disease in medical ultrasound images. Chennai, India
dc.relationArias, J. M. (2019). Modelo de aprendizaje profundo / red neuronal convolucional (CNN) para clasificación de calidad de ácidos grasos por imágenes de semillas de Helianthus annuus.
dc.relationAzhar et al, K. A. (2016). Computer vision based detection and localization of potholes in asphalt pavement images. Vancouver, Canada: IEEE
dc.relationBejaimal & Bejaimal, S. B. (2017). Magnetic resonance enterography performs well in detecting active inflammation in pediatric inflammatory bowel disease.
dc.relationBUSTAMANTE, S.-H. Y. (2014). ALGORITMOS DE PROCESAMIENTO DE IMAGEN APLICADOS A LA DETECCIÓN DE FIGURAS GEOMÉTRICAS Y SUS PROPIEDADES ESPACIALES
dc.relationColombia, C. d. (2020). Ley 2015 del 31 de enero de 2020.
dc.relationDÅDERMAN, A., & ROSANDER, S. (2018). Evaluating Frameworks for Implementing Machine Learning in Signal Processing. STOCKHOLM, SVERIGE
dc.relationDiaz & Suárez, H. R. (2017). Ecografía clínica. Nuevas concepciones sobre una disciplina clásica en. Villa Clara. Cuba
dc.relationDutta & Dubey, A. D. (2019). Detection of Liver Cancer using Image Processing Techniques. Chennai, India
dc.relationFarrera, M. S., & Acebes, A. d. (2015). Litiasis renal
dc.relationFawzi, A., Samulowitz, H., Turaga, D., & Frossard, P. (2016). Adaptive data augmentation for image classification. Phoenix, AZ, USA
dc.relationGamboa-Gutiérrez, E., Varela-Villalobos, M., & Varela-Briceño, C. (2020). Litiasis renal en Costa Rica: bioquímica y epidemiología. San José, Costa Rica.
dc.relationGarcía, R. G. (2015). Estudio comporativo de efectividad sedativa con propofol vs midazolam-fentanyl en pacientes sometidos a tomografía axial computarizada (TAC) de emergencia en el Hospital Luis Vernaza periodo 2013
dc.relationGollapudi, S. (2019). Learn Computer Vision Using OpenCV With Deep Learning CNNs and RNNs. Hyderabad, Telangana, India
dc.relationGoularas & Kamis, D. G. (2019). Evaluation of Deep Learning Techniques in. Istanbul, Turkey: IEEE
dc.relationGraffigna et al, M. G. (2017). Diagnóstico de esteatosis hepática por métodos clínicos, bioquímicos y por imágenes. Argentina: ScienceDirect.
dc.relationGutiérrez et al, J. S. (2016). SÚPER RESOLUCIÓN Y MEJORA DEL ALGORITMO CANNY PARA LA DETECCIÓN DE BORDES EN IMÁGENES MÉDICAS
dc.relationITELLIGENT. (3 de enero de 2018). ITELLIGENT. Obtenido de https://itelligent.es/es/deep-learning-convolutional-neuronal-network-cnnconsiste/
dc.relationKim & Ro, J. U. (2019). Attentive Layer Separation for Object Classification and Object Localization in Object Detection. Taipei, Taiwan
dc.relationKoplay et al, M. S. (2015). Importance of imaging and recent developments in diagnosis of nonalcoholic fatty liver disease. World journal of hepatology, 7(5), 769–776. doi:10.4254/wjh.v7.i5.769. Konya, Turquía.
dc.relationKrizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks.
dc.relationLeCun. Bengio & Hinton. (2015). Deep learning
dc.relationLemley, J., Bazrafkan, S., & Corcoran, P. (2017). Deep Learning for Consumer Devices and Services
dc.relationLi et al, D. L.-I. (2019). Soft Phantom for the Training of Renal Calculi Diagnostics and Lithotripsy. Berlin, Germany
dc.relationLu, H., Li, Y., Chen, M., Kim, H., & Serikawa, S. (2017). Brain Intelligence: Go beyond Artificial Intelligence.
dc.relationMangayarkarasi &Najumnissa, T. M. (2017). PNN-based analysis system to classify renal pathologies in Kidney Ultrasound Images. Chennai, India.
dc.relationMcAninch & Lue, J. W. (2020). Smith & Tanagho's General Urology.
dc.relationMello Legal & Vázquez, M. R. (2015). Mejora de contraste de imagen a color utilizando la transformada de top-hat multiescala. San Lorenzo, Paraguay.
dc.relationMINSALUD. (2018). Estimación de oferta de médicos especialistas en Colombia 1950-2030. Bogotá, Colombia
dc.relationMinTIC. (22 de mayo de 2019). MinTIC. Obtenido de https://www.mintic.gov.co/portal/inicio/Sala-de-Prensa/MinTIC-en-los Medios/100826:Colombia-se-adhiere-a-acuerdo-de-Inteligencia-Artificialante-la-OCDE
dc.relationMUNDIAL, A. G. (2000). DECLARACIÓN DE HELSINKI: PRINCIPIOS ÉTICOS PARA LA INVESTIGACIÓN MÉDICA SOBRE SUJETOS HUMANOS
dc.relationNa8. (29 de noviembre de 2018). https://www.aprendemachinelearning.com. Obtenido de https://www.aprendemachinelearning.com/como-funcionan-lasconvolutional-neural-networks-vision-por-ordenador
dc.relationNieto, V. M., & Yanes, M. I. (2019). Nefrología.
dc.relationPalacios, H. J., Pantoja, G. A., Navarro, A. A., Puetaman, I. M., & Toledo, R. A. (2016). Comparativa entre CRISP-DM y SEMMA para la limpieza de datos en productos MODIS en un estudio de cambio de cobertura y uso del suelo.
dc.relationPico, L. M. (11 de abril de 2019). Este es el escalafón de enfermedades más buscadas en Colombia. Lafm
dc.relationPoggio et al, G. P. (2017). La ecografía primero: ¿Por qué, cómo y cuándo? La Plata, Argentina
dc.relationPortillo, C. O. (2016). Selección y adecuación de la imagen para productos editoriales
dc.relationQuintero et al, C. Q.-G. (2017). Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo. ESTEC Conference Proceedings 6th Engineering, Science and Technology Conference (2017). Knowledge E. Engaging minds
dc.relationRaghunandan et al, A. R. (2018). Object Detection Algorithms for Video Surveillance Applications. Chennai, India.
dc.relationRanjitha, M. (2016). Extraction and dimensionality reduction of features for Renal Calculi detection and artifact differentiation from segmented ultrasound kidney images. New Delhi, India.
dc.relationRozman, F. (2016). Medicina Interna. Elsevier, España
dc.relationSalud, M. d. (1999). Resolución 1995 de 1999.
dc.relationSchäfer, F., Zeiselmair, C., Becker, J., & Otten, H. (2018). Synthesizing CRISP-DM and Quality Management: A Data Mining Approach for Production Processes. Marrakech, Morocco, Morocco
dc.relationShah & Kadge, T. S. (2019). Analysis and Identification of Renal Calculi in Computed Tomography Images. Navi Mumbai, India
dc.relationShao Zhu & Li, L. S. (2014). Transfer Learning for Visual Categorization: A Survey
dc.relationSharma, K., & Nandal, D. R. (2019). A Literature Study on Machine Learning Fusion. Rohtak, Haryana, India
dc.relationSnopek, K. M. (2017). Relationship between the cayley-dickson fourier transform and the hartley transform of multidimensional real signals. Barcelona, Spain
dc.relationSocial, M. d. (2017). Resolución Nº 839 de 23 de marzo de 2017
dc.relationStevens, E., & Antiga, L. (2019). Deep Learning with PyTorch.
dc.relationSupriyanti et al, R. S. (2016). Brightness and Contrast Modification in Ultrasonography Images Using Edge Detection Results.
dc.relationVelásquez, A. R. (1999). Procesamiento de imágenes médicas
dc.relationWeiss. Khoshgodtaar & Wang, K. W. (2016). A survey of transfer learning. SpringerOpen.
dc.relationX. Li and Y. Shi. (2018). Computer Vision Imaging Based on Artificial Intelligence. Changsha, China: IEEE
dc.relationZabala Rivera & Maldonado, S. A. (2009). Metodología para la implementación de un sistema de reconocimiento de objetos mediante técnicas de visión artificial aplicado a manipuladores robóticos.
dc.relationAkbulut, Y., Sengur, A., Guo, Y., & Smarandache, F. (2017). NS-k-NN: Neutrosophic Set-Based k-Nearest Neighbors Classifier
dc.relationaws. (2020). https://aws.amazon.com/. Obtenido de https://aws.amazon.com/es/mxnet
dc.relationBattineni, G., Chintalapudi, N., & Amenta, F. (2019). Machine learning in medicine: Performance calculation of dementia prediction by support vector machines (SVM)
dc.relationBudhiraja, A. (15 de diciembre de 2016). Medium. Obtenido de https://medium.com/@amarbudhiraja/https-medium-com-amarbudhirajalearning-less-to-learn-better-dropout-in-deep-machine-learning74334da4bfc5
dc.relationChillón, F. R. (19 de agosto de 2020). Clínica Universidad de Navarra. Obtenido de https://www.cun.es/enfermedades-tratamientos/enfermedades/litiasis-renal
dc.relationCuevas, E., & Reyna-Orta, A. (2014). A Cuckoo Search Algorithm for Multimodal Optimization.
dc.relationEspejel, O. (2020). Entendiendo PyTorch: las bases de las bases para hacer inteligencia artificial.
dc.relationFan, Q., Brown, L., & Smith, J. (2016). A Closer Look at Faster R-CNN for Vehicle Detection
dc.relationGirshick, R. (2015). Fast R-CNN
dc.relationGoodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning
dc.relationHuang, G., Liu, Z., Weinberger, K. Q., & Maaten, L. v. (2016). Densely Connected Convolutional Networks
dc.relationimagingbiometrics. (2017). imagingbiometrics. Obtenido de https://www.imagingbiometrics.com/what-we-offer/product-services/ibstonechecker
dc.relationIndex, P. P. (septiembre de 2020). https://pypi.org/. Obtenido de https://pypi.org/project/Theano
dc.relationinfosalus. (06 de octubre de 2014). infosalus. Obtenido de https://www.infosalus.com/asistencia/noticia-realizan-programa-informaticomejorar-diagnostico-pacientes-calculos-renales-20140402124529.html
dc.relationJia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., . . . Darrell, T. (2014). Caffe: Convolutional Architecture for Fast Feature Embedding
dc.relationLeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning.
dc.relationLeslie, S. W., Sajjad, H., & Murphy, P. B. (2020). Renal Calculi.
dc.relationLiu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector.
dc.relationMálaga, U. d. (1 de septiembre de 2020). Urólogos de Málaga. Obtenido de https://www.urologosmalaga.com/tratamientos/litiasis-calculos/4-1-litiasiscalculos-evaluacion-y-diagnostico/
dc.relationMathWorks. (24 de agosto de 2020). GoogLeNet convolutional neural network. Obtenido de MathWorks: https://www.mathworks.com/help/deeplearning/ref/googlenet.html
dc.relationMayoClinic. (8 de febrero de 2019). MayoClinic. Obtenido de https://www.mayoclinic.org/es-es/diseases-conditions/kidneystones/diagnosis-treatment/drc-20355759
dc.relationmissinglink.ai. (2020). missinglink.ai. Obtenido de https://missinglink.ai/guides/keras/keras-resnet-building-training-scalingresidual-netskeras/#:~:text=Residual%20Network%20(ResNet)%20is%20a,or%20thousa nds%20of%20convolutional%20layers.&text=ResNet%20stacks%20up%20i dentity%20mappings,the%20activations%
dc.relationNavamani, T. (2019). Efficient Deep Learning Approaches for Health Informatics. Deep Learning and Parallel Computing Environment for Bioengineering Systems
dc.relationPeixeiro, M. (12 de marzo de 2019). towardsdatascience. Obtenido de https://towardsdatascience.com/how-to-improve-a-neural-network-withregularization-8a18ecda9fe3
dc.relationPereira-Toledo, A., López-Cabrera, J. D., & Quintero-Domínguez, L. A. (2017). Estudio experimental para la comparación del desempeño de Naïve Bayes con otros clasificadores bayesianos
dc.relationPyTorch. (2020). PyTorch. Obtenido de https://pytorch.org
dc.relationRedmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection.
dc.relationRizwan, M. (05 de Octubre de 2018). DataCamp. Obtenido de https://www.datacamp.com/community/news/how-to-implement-alexnet-cnnarchitecture-using-keras-7vq9ilt9qb7
dc.relationSak, H., Senior, A., & Beaufays, F. (2014). Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling.
dc.relationSankesara, H. (23 de Enero de 2019). UNet, Introducing Symmetry in Segmentation. Obtenido de https://towardsdatascience.com/u-netb229b32b4a71
dc.relationShao Zhu & Li, L. S. (2014). Transfer Learning for Visual Categorization: A Survey
dc.relationShorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning.
dc.relationSusaeta, R., Benavente, D., Marchant, F., & Gana, R. (2018). Diagnóstico y manejo de litiasis renal en adultos y niños. Santiago, Chile.
dc.relationTan, L. (2015). 17.2.2.1 Supervised learning. En Code Comment Analysis for Improving Software Quality (pág. 500).
dc.relationTharwat, A., Gaber, T., Ibrahim, A., & Hassanien, A. E. (2017). Linear discriminant analysis: A detailed tutorial.
dc.relationUAB. (30 de septiembre de 2014). UAB. Obtenido de https://www.uab.cat/web/sala-de-prensa/detalle-noticia/mystone-un-nuevodispositivo-de-analisis-rapido-de-calculos-renales1345667994339.html?noticiaid=1345676036016
dc.relationWang, L., Guo, S., Huang, W., & Qiao, Y. (2015). Places205-VGGNet Models for Scene Recognition. Hong Kong, China
dc.relationWang, Z., Wang, Y., Zeng, R., Srinivasan, R. S., & Ahrentzen, S. (2018). Random Forest based Hourly Building Energy Prediction
dc.relationWeiss. Khoshgodtaar & Wang, K. W. (2016). A survey of transfer learning
dc.relationWu, S., Li, G., Deng, L., Liu, L., Wu, D., Xie, Y., & Shi, L. (2018). L1-Norm Batch Normalization for Efficient Training of Deep Neural Networks
dc.relationZeng, Y.-R., Zeng, Y., Choi, B., & Wang, L. (2017). Multifactor-Influenced Energy Consumption Forecasting Using Enhanced Back-propagation Neural Network.
dc.relationZhong, Z., Jin, L., & Xie, Z. (2015). High Performance Offline Handwritten Chinese Character Recognition Using GoogLeNet and Directional Feature Maps
dc.relationCHILLÓN, F. R. (16 de agosto de 2020). Clínica Universidad de Navarra. Obtenido de https://www.cun.es/enfermedades-tratamientos/enfermedades/litiasisrenal
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rightsAbierto (Texto Completo)
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.titleSistema de reconocimiento litiasis renal a través de imágenes diagnósticas basado en Deep Learning


Este ítem pertenece a la siguiente institución