Mostrar el registro sencillo del ítem

dc.contributor.advisorTaquía Gutiérrez, José Antonio
dc.contributor.authorQuispe Carbonel, Alvaro Daniel
dc.date.accessioned2021-09-13T21:20:43Z
dc.date.available2021-09-13T21:20:43Z
dc.date.issued2020
dc.identifier.citationQuispe Carbonel, A.D. (2020). Predicción de edad ósea con red basada en VGG-16 y Transfer Learning [Tesis para optar el Título Profesional de Ingeniero de Sistemas, Universidad de Lima]. Repositorio institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/14110es_PE
dc.identifier.urihttps://hdl.handle.net/20.500.12724/14110
dc.description.abstractPara el diagnósticó de enfermedades hereditarias y desórdenes endocrinos en niños y jóvenes suele utilizarse el calculó de la edad ósea a través de una evaluación visual de una radiógrafía de la muñeca y de la mano. La presente investigación se ha centrado en el desarrollo de un modelo de Deep Learning para la predicción de la edad ósea utilizandó 12611 imágenes radiólógicas de niñós y jóvenes de 0 a 18 años de la Sóciedad de Radiólógía de Norte América (RSNA). Para lograrlo se realizaron tres procesos: preprocesamiento mediante una red neuronal convolucional U-Net para la generación de máscaras que permitan eliminar el fondo de las imágenes y su posterior ecualización; el desarrollo de una de red neuronal convolucional basada en VGG-16, transfer learning, cuyós pesós fuerón óbtenidós de ImageNet y un mecanismó de atención con la que se entrenaron 6 modelos con imágenes preprocesadas y óriginales; y una cómparación entre la predicción de 230 imágenes locales, con la edad ósea determinada por médicos para dicho subconjuntó. Con la validación del Dataset de la RSNA, se obtuvo un MAE en meses promedio de 9.4 para el modelo propuesto de hómbres. Por el lado de la validación local, se alcanzó un MAE en meses promedio de 13.7 en hombres contando todos los grups de edad y se alcanzó un MAE en meses de 12.4 en mujeres de 2 a 13 años.es_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad de Limaes_PE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/*
dc.sourceRepositorio Institucional - Ulimaes_PE
dc.sourceUniversidad de Limaes_PE
dc.subjectRedes neuronales (Informática)es_PE
dc.subjectDiagnóstico
dc.subjectHuesoses_PE
dc.subjectProspectivaes_PE
dc.subjectNeural networks (Computer science)en_EN
dc.subjectDiagnosisen_EN
dc.subjectBonesen_EN
dc.subjectForecastingen_EN
dc.subjectEnfermedades hereditariases_PE
dc.subjectGenetic disordersen_EN
dc.titlePredicción de edad ósea con red basada en VGG-16 y Transfer Learninges_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.disciplineIngeniería de sistemases_PE
thesis.degree.grantorUniversidad de Lima. Facultad de Ingeniería y Arquitecturaes_PE
thesis.degree.levelTítulo profesionales_PE
thesis.degree.nameIngeniero de sistemases_PE
dc.publisher.countryPEes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.04es_PE
renati.author.dni72436968
renati.advisor.orcidhttps://orcid.org/0000-0002-1711-6603es_PE
renati.advisor.dni09994370
renati.jurorAyma Quirita, Victor Hugo
renati.jurorRamos Ponce, Oscar Efrain
renati.jurorTaquia Gutierrez, Jose Antonio
renati.levelhttp://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttp://purl.org/pe-repo/renati/type#tesis
renati.discipline612076es_PE


Ficheros en el ítem

Thumbnail
Thumbnail

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

Mostrar el registro sencillo del ítem

info:eu-repo/semantics/openAccess
Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess