Segmentación y clasificación automática de meningiomas cerebrales en imágenes  de resonancia magnética utilizando Inteligencia Artificial

Plaza Iñiguez, Nicolás Andrés; Reyes Medranda, Diego Javier

DSpace Home
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Computación
→
View Item

dc.contributor.advisor	Peláez Jarrín, Colon Enrique , Director
dc.contributor.author	Plaza Iñiguez, Nicolás Andrés
dc.contributor.author	Reyes Medranda, Diego Javier
dc.creator	ESPOL.FIEC
dc.date.accessioned	2024-10-18T21:57:09Z
dc.date.available	2024-10-18T21:57:09Z
dc.date.issued	2024
dc.identifier.citation	Plaza Iñiguez, N. A. y Reyes Medranda, D. J. (2024). Segmentación y clasificación automática de meningiomas cerebrales en imágenes de resonancia magnética utilizando Inteligencia Artificial. [Proyecto Integrador]. ESPOL.FIEC .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/62303
dc.description	La detección precisa y temprana del grado de malignidad de los meningiomas es un desafío para los doctores, debido a que su ubicación y tamaño dificulta su diagnóstico. Los avances en Inteligencia Artificial han permitido mejorar la precisión en la clasificación del grado del tumor, en imágenes de resonancia magnética, obteniendo resultados más precisos y en menor tiempo. Así el médico puede tomar una mejor decisión para el tratamiento del paciente. El presente proyecto propone el desarrollo de un algoritmo de aprendizaje automático a partir de la segmentación del meningioma. Se realizó un estudio comparativo de diferentes modelos de clasificación y diferentes algoritmos de selección de características del meningioma. Los modelos basados en árboles alcanzaron mejores resultados, utilizando características de 3 conjuntos: forma tridimensional, matriz de grises y primer orden. Extra Trees resultó ser el mejor, con un puntaje F1 de 94%, seguido por Random Forest con 92%. Se integraron los modelos de segmentación y clasificación a una aplicación web, que permite el análisis de imágenes de resonancia magnética para clasificar el tumor. Los hallazgos obtenidos sugieren una guía para futuros estudios que busquen clasificar el grado de malignidad de meningiomas a partir de otros enfoques diferentes al análisis de sus características. Palabras Clave: Características radiómicas, Aprendizaje Automático, Aprendizaje Profundo, Tumor cerebral, Diagnóstico
dc.format	application/pdf
dc.format.extent	81 página
dc.language.iso	spa
dc.publisher	ESPOL.FIEC
dc.rights	openAccess
dc.subject	Características radiómicas
dc.subject	Aprendizaje Automático
dc.subject	Aprendizaje Profundo
dc.subject	Tumor cerebral
dc.subject	Diagnóstico
dc.title	Segmentación y clasificación automática de meningiomas cerebrales en imágenes de resonancia magnética utilizando Inteligencia Artificial
dc.type	Ingeniero en Ciencias de la Computación
dc.identifier.codigoespol	T-76956
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	TECH-374
dc.description.abstractenglish	Accurate and early detection of the malignancy grade of meningiomas is a challenge for doctors, due to their location and size making diagnosis difficult. Advances in Artificial Intelligence have enabled improvements in the accuracy in tumor grade classification, in magnetic resonance images, obtaining more accurate results in less time. Thus, the doctor can make a better decision for the patient's treatment. The present project proposes the development of a machine learning algorithm, based on the previously segmented meningioma. A comparative study was conducted on different classification models and different meningioma feature selection algorithms. Tree based models achieved better results, using features from 3 sets: three-dimensional shape, gray matrix and first order. Extra Trees being the best with an F1 score of 94%, followed by Random Forest with 92%. The segmentation and classification models were integrated into a web application, which allows the analysis of magnetic resonance images to classify the tumor. The results obtained suggest a guide for future studies aimed at classifying the malignancy grade of meningiomas using approaches other than the analysis of their characteristics. Keywords: Radiomic Features, Machine Learning, Deep Learning, Brain Tumor, Diagnosis.