Repositorio Universidad del Cauca

Sistema de reconocimiento y segmentación de heridas para sutura

Mostrar el registro sencillo del ítem

dc.contributor.author Bastidas Losada, Sergio
dc.contributor.author Quisoboni Ijaji, Hugo Norbey
dc.date.accessioned 2024-04-10T14:39:56Z
dc.date.available 2024-04-10T14:39:56Z
dc.date.issued 2023
dc.identifier.uri http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/9466
dc.description.abstract En este proyecto de grado, se aborda el desarrollo de un sistema de visión artificial basado en técnicas de procesamiento digital de imágenes y Machine Learning (ML), con un enfoque específico en el uso de Convolutional Neural Networks (CNN) para el reconocimiento y segmentación de heridas corto punzantes. La investigación se centra en comparar tres arquitecturas de segmentación de imágenes: U-Net2D, SegNet y DeepLabV3+ con ResNet50 como codificador. Un aspecto distintivo de este trabajo radica en su enfoque específico en la segmentación de heridas corto punzantes, un área que ha recibido poca atención previa. Esta investigación busca aportar a esta brecha de conocimiento al abordar específicamente este tipo de heridas, con el propósito de garantizar que el sistema sea robusto ante variaciones de iluminación, rotación y desplazamiento del objetivo, lo que lo hace apto para aplicaciones médicas, como la sutura autónoma, contribuyendo así al campo de la visión artificial en medicina. Se entrenan los modelos U-Net2D, SegNet y DeepLabV3+ en un conjunto de datos especializado, recopilado de la web y etiquetado usando Hasty.ai. Diseñado específicamente para la segmentación de heridas corto-punzantes. Las métricas de entrenamiento y validación como Dice, IoU, Precision y Recall demuestran que el modelo DeepLabV3+ es superior en términos de generalización, mientras que los dos modelos restantes tienden al sobre ajuste. Se realizan inferencias en tiempo real para determinar la robustez de los modelos ante variaciones o disturbios. Los resultados confirman al modelo DeepLabV3+ como candidato óptimo para aplicaciones médicas de segmentación y resaltan que U-Net2D puede llegar a ser superior en la detección de detalles finos. Respecto a SegNet, se considera poco preciso en la detección de bordes y extremadamente sensible ante la variabilidad de los datos, por lo que no se considera viable para aplicaciones médicas. Este trabajo contribuye al avance del conocimiento en el campo de la visión artificial en medicina y abre nuevas posibilidades para mejorar la precisión y eficacia en el tratamiento de heridas corto punzantes. spa
dc.language.iso spa
dc.publisher Universidad del Cauca spa
dc.subject Visión artificial spa
dc.subject Heridas corto-punzantes spa
dc.subject Imágenes médicas 2D spa
dc.subject Segmentación semántica spa
dc.subject Machine Learning eng
dc.subject Convolutional Neural Networks eng
dc.title Sistema de reconocimiento y segmentación de heridas para sutura spa
dc.type Trabajos de grado spa


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Buscar en DSpace


Búsqueda avanzada

Listar

Mi cuenta