Ingeniería de Sistemas · 2011
Magi : sistema basado en técnicas de inteligencia artificial y de tratamiento digital de imágenes para la detección de tumores cerebrales
El cerebro es un órgano fundamental del cuerpo humano, por esta razón es el órgano con el que más cuidado se debe tener,loque ha despertado gran interés en su estudio tanto para investigación como para prevención de posibles anomalías presentes en el mismo. El presente trabajo propone un sistema de detección de tumores cerebrales, basado en técnicas de inteligencia artificial, con el fin de prever la posible presencia de uno y si es así ayudar al soporte médico en la toma de decisiones. El algoritmo utilizado hace uso de una red neuronal como clasificador entrenado para la detección de masas extrañas presentes en la corteza cerebral, mediante la inclusión de diversos casos de entrenamiento, entre los cuales se tiene una densa amalgama de posibles cerebros tanto sanos como los que presentan tumor. En el desarrollo del proyecto también se contemplan diferentes técnicas de tratamiento digital de imágenes con el fin de extraer aquellos rasgos relevantes de la corteza cerebral que puedan indicar la presencia de un tumor. Para brindar al personal médico un sistema de organización, búsqueda y exploración de casos de pacientes se diseñó una interfaz gráfica divida en tres módulos con funciones específicas. Finalmente la unión del software desarrollado con las redes neuronales y las técnicas de tratamiento digital de imágenes da como resultado una herramienta que busca ser de gran utilidad a la hora de emitir un diagnóstico. 1
Texto completo 143 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- INTRODUCCIONp. 16
- 1. DESCRIPCION DEL PROBLEMAp. 18
- 1.1 OBJETIVOSp. 20
- 1.1.1 Objetivo generalp. 20
- 1.1.2 Objetivos específicosp. 20
- 1.2 JUSTIFICACIONp. 21
- 2. MARCO TEORICOp. 23
- 2.1 TUMOR CEREBRALp. 23
- 2.1.1 Sintomatologíap. 24
- 2.1.2 Detección del Tumor Cerebralp. 25
- 2.1.3 Diagnósticop. 27
- 2.2 TIPOS DE TUMORES CEREBRALESp. 28
- 2.3 CLASIFICACIONp. 32
- 2.3.1 Clasificación histología de los tumoresp. 32
- 2.4 IMÁGENES MÉDICASp. 32
- 2.4.1 Tomografía axial computarizadap. 33
- 2.4.2 Resonancia magnéticap. 33
- 2.4.2.1 Funcionamientop. 34
- 2.5 TECNICAS MATEMATICAS PARA EL TRATAMIENTO DE IMÁGENESp. 34
- 2.5.1 Segmentación de Imágenes Médicasp. 35
- 2.5.1.1 Umbralizaciónp. 36
- 2.6 RED NEURONAL ARTIFICIALp. 37
- 2.6.1 Funcionamientop. 34
- 2.7 MATLABp. 37
- 2.8 JAVAp. 38
- 3. METODOLOGÍA UTILIZADA EN EL PROYECTOp. 40
- 3.1 DESCRIPCIÓN DE LA METODOLOGÍA EN ESPIRALp. 40
- 3.1.1 Fases de la metodología según el desarrollo del proyectop. 41
- 3.2 DESCRIPCIÓN DE LAS METODOLOGÍAS ÁGILESp. 42
- 3.2.1 Prácticas ágiles implementadas en el desarrollo del proyectop. 42
- 3.3 ETAPAS DE LA METODOLOGÍA (Matlabp. 44
- 3.3.1 Etapa de análisisp. 44
- 3.3.2 Etapa de diseñop. 44
- 3.3.3 Implementaciónp. 45
- 3.4 ETAPAS DE LA METODOLOGÍA (Java)p. 46
- 3.4.1 Etapa de análisisp. 44
- 3.4.2 Etapa de diseñop. 44
- 3.4.3 ETAPA DE IMPLEMENTACIÓNp. 47
- 4. DESARROLLOp. 49
- 4.1 DESARROLLO MATLABp. 49
- 4.2 DESARROLLO DEL ALGORTIMO DE TRATAMIENTO DIGITAL DEp. 50
- 4.2.1 Adquisición de las Imágenesp. 50
- 4.2.2 Representación de las Imágenesp. 50
- 4.2.3 Filtrado de las Imágenesp. 51
- 4.2.4 Binarización de las imágenesp. 52
- 4.2.5 Umbralización de las Imágenesp. 53
- 4.2.5.1 Método triangularp. 53
- 4.2.5.2 Optimización del método triangularp. 54
- 4.2.6 Segmentación de las Imágenesp. 55
- imagenp. 27
- 4.2.6.2 Criterio de segmentación por relación de objetos en la imagenp. 56
- 4.2.6.3 Criterio de forma y tamañop. 58
- 4.2.6.3.1 Criterio de circularidadp. 58
- 4.2.6.3.2 Autoajuste del errorp. 59
- 4.2.6.4 Proceso de retrocesop. 60
- 4.2.7 Extracción de Elementos de la Imagenp. 60
- 4.2.8 Registrop. 62
- 4.3 DESARROLLO DE LA RED NEURONAL (MELCHOR-GASPARp. 63
- 4.3.1 DISEÑO DE LA RED NEURONALp. 63
- 4.3.1.1 DEFINICIÓN DEL VECTOR DE ENTRADAp. 63
- 4.3.1.2 DEFINICION DE LA SALIDAp. 64
- 4.3.1.3 ARQUITECTURA DE LA RED NEURONALp. 64
- 4.3.2 SELECCION DE IMAGENES DE ENTRENAMIENTOp. 65
- 4.3.3 NORMALIZACION DE LOS DATOS DE ENTRADA DE LA REDp. 69
- 4.3.4 ENTRENAMIENTO DE LA RED NEURONALp. 70
- 4.3.5 SIMULACION DE LA RED NEURONALp. 72
- 4.3.5.1 MELCHORp. 73
- 4.3.5.2 GASPARp. 74
- 4.4 DESARROLLO JAVAp. 74
- 4.4.1 MÓDULO DE CAPTURA DE IMÁGENESp. 75
- 4.4.1.1 Descripción del Módulo Captura de Imágenesp. 75
- 4.4.1.2 Diagrama de Casos de Usop. 76
- 4.4.2 MÓDULO DE ANÁLISISp. 79
- 4.4.2.1 Descripción del Módulo de Análisisp. 79
- 4.4.2.2 Diagrama de Casos de Usop. 76
- 4.4.3 MODULO DE REGISTRO Y RESULTADOSp. 85
- 4.4.3.1 Descripción del Módulo de Registro y Resultadosp. 85
- 4.4.3.2 Diagrama de Casos de Usop. 76
- 5. RESULTADOSp. 88
- 5.1 RESULTADOS DEL SISTEMAp. 85
- 5.1.1 RESULTADOS RED NEURONAL “MELCHOR” (IDENTIFICACIÓN DELp. 90
- 5.1.2 REULTADOS RED NEURONAL “GASPAR” (VERIFICACION DE LAp. 93
- 5.1.3 RESULTADOS DEL ALGORITMO DE TRATAMIENTO DIGITAL DEp. 96
- CONCLUSIONESp. 100
- RECOMENDACIONESp. 102
- BIBLIOGRAFIAp. 103
- ANEXOSp. 105