Clasificación de MRI hepáticas de infantes utilizando herramientas de machine learning

Simple item page
dc.audiencegeneralPublices_MX
dc.contributorDe Celis Alonso, Benito
dc.contributorHernández López, Javier Miguel
dc.contributor.advisorDE CELIS ALONSO, BENITO; 387709
dc.contributor.authorRamírez Bautista, Mario Alexis
dc.date.accessioned2023-01-11T20:11:42Z
dc.date.accessioned2023-01-12T20:08:42Z
dc.date.available2023-01-11T20:11:42Z
dc.date.available2023-01-12T20:08:42Z
dc.date.issued2022-06
dc.description.abstract"La obesidad es un problema mundial que suele iniciarse en la infancia o en la adolescencia. Los estudios sobre este tema se han dado desde diferentes enfoques, los objetivos han sido variados pero el más común es detectar las múltiples patologías que esta condición trae como consecuencia y de las cuales, las enfermedades hepáticas no son la excepción. Las investigaciones han mostrado entre otras cosas, que la acumulación de grasa en la zona del hígado es una de las primeras secuelas de la obesidad, además, se ha confirmado que la mayor frecuencia de esteatosis hepática en la población hispana se debe a una mayor prevalencia de obesidad. Los métodos que utilizan para estudios de obesidad son variados, van desde ecografías, bioimpedanciometría, absorción dual de rayos X, plicometría y MRI. En este trabajo se presenta una forma de distinguir entre imágenes de resonancia magnética (MRI) hepáticas de niños con normopeso y con obesidad, utilizando regiones de interés de la zona hepática e imágenes completas. Se emplean herramientas de Machine Learning como clasificadores y modelos de redes neuronales mediante Transfer Learning (TL), finalmente se hace una comparación del desempeño de los modelos empleados para el estudio".es_MX
dc.folio20220809160346-9068-Tes_MX
dc.formatpdfes_MX
dc.identificator1es_MX
dc.identifier.urihttps://ecosistema.buap.mx/ecoBUAP/handle/ecobuap/2039
dc.language.isospaes_MX
dc.matricula.creator220470335es_MX
dc.publisherBenemérita Universidad Autónoma de Pueblaes_MX
dc.rights.accesopenAccesses_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subject.classificationCIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRAes_MX
dc.subject.lccObesidad en niñoses_MX
dc.subject.lccHígado--Enfermedades--Diagnósticoes_MX
dc.subject.lccDiagnóstico por imágenes--Innovaciones tecnológicases_MX
dc.subject.lccImágenes por resonancia magnéticaes_MX
dc.subject.lccAnálisis de imágenes--Procesamiento de datoses_MX
dc.subject.lccAprendizaje automático (Inteligencia artificial)es_MX
dc.subject.lccRedes neuronales (Computación)es_MX
dc.thesis.careerMaestría en Ciencias (Física Aplicada)es_MX
dc.thesis.degreedisciplineÁrea de Ingeniería y Ciencias Exactases_MX
dc.thesis.degreegrantorFacultad de Ciencias Físico Matemáticases_MX
dc.thesis.degreetoobtainMaestro (a) en Ciencias (Física Aplicada)es_MX
dc.titleClasificación de MRI hepáticas de infantes utilizando herramientas de machine learninges_MX
dc.typeTesis de maestríaes_MX
dc.type.conacytmasterThesises_MX
dc.type.degreeMaestríaes_MX
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
20220809160346-9068-T.pdf
Size:
2.97 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
20220809160346-9068-CARTA.pdf
Size:
22.44 KB
Format:
Adobe Portable Document Format
Download
Collections
Tesis de Maestría