Súper Resolución en Imágenes de Ultrasonido
| dc.contributor.advisor | Mejía Muñoz, José Manuel | |
| dc.contributor.author | Ibarra Gutiérrez, José Enrique | |
| dc.contributor.editor | Gordillo Castillo, Nelly | |
| dc.date.accessioned | 2019-06-04T18:05:40Z | |
| dc.date.available | 2019-06-04T18:05:40Z | |
| dc.date.issued | 2018-05 | |
| dc.description | En la Universidad Autónoma de Ciudad Juárez dentro del cuerpo académico de Procesamiento Avanzado de Señales (PAS) se han estado desarrollando proyectos relacionados con la súper resolución (SR) de imágenes médicas. Las imágenes de ultrasonido (US) de manera particular sufren de baja resolución y ruido que disminuye la calidad de la imagen y puede dar lugar a diagnósticos incorrectos por parte de los profesionales [1], por lo que el cuerpo de la PAS, se vio interesado en aplicar SR a este tipo de imágenes. El aumento a la resolución de imágenes de US podría generar una herramienta de ayuda en el diagnóstico y caracterización de diferentes casos clínicos. Aumentar la resolución en imágenes de US utilizando técnicas de SR, no representan ningún costo adicional, por lo que se propone implementar algoritmos de SR en imágenes de US utilizando la técnica de aprendizaje profundo (deep learning en inglés). | es_MX |
| dc.description.abstract | Se propone un método utilizando técnicas de aprendizaje profundo para lograr super resolución en imágenes de ultrasonido. El método propuesto fue entrenado con imágenes de baja y alta resolución. Tales imágenes fueron llevadas a través de un preprocesamiento para la simulación de las imágenes de baja resolución. Después se llevó a cabo el entrenamiento de la red, mediante el uso de redes neuronales convolucionales profundas (RNC) que toman las imágenes de baja resolución como la entrada y de salida las imágenes de alta resolución. El método propuesto, tiene una estructura básica que podemos observar en el apartado 3.6, pero a pesar de esto el método propuesto demostró una buena calidad de restauración de las imágenes estos resultados se pueden observar en el apartado 4.3 y al igual tiene una velocidad rápida de entrenamiento es decir solamente 100 segundos para la base de datos 1 y 400 segundos para la base de datos 2. Se utilizaron diferentes estructuras de red y ajustes de parámetros tales como la variación en los tamaños y cantidad de filtros por capa, al igual se utilizaron diferentes valores de épocas para el entrenamiento, esto para lograr los mejores resultados tomando en cuenta el rendimiento y la velocidad de entrenamiento. Al obtener resultados relativamente satisfactorios se compararon con técnicas existentes en la literatura para logar super resolución esto por medio del uso de métricas de comparación explicadas a lo largo de la investigación. | es_MX |
| dc.identifier.other | LIB-2018-1-08 | es_MX |
| dc.identifier.uri | http://hdl.handle.net/20.500.11961/5080 | |
| dc.language.iso | spa | es_MX |
| dc.publisher | Universidad Autónoma de Ciudad Juárez | es_MX |
| dc.relation.ispartof | Instituto de Ingeniería y Tecnología | es |
| dc.relation.ispartof | Departamento de Ingeniería Eléctrica y Computación | es |
| dc.relation.ispartof | Licenciatura en Ingeniería Biomédica | es |
| dc.rights | Atribución-NoComercial-SinDerivadas 2.5 México | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/mx/ | * |
| dc.subject | Ingeniería Biomédica | es_MX |
| dc.subject | Resolución | es_MX |
| dc.subject | Imágenes | es_MX |
| dc.subject | Ultrasonido | es_MX |
| dc.subject.other | info:eu-repo/classification/cti/7 | es_MX |
| dc.title | Súper Resolución en Imágenes de Ultrasonido | es_MX |
| dc.type | Trabajo recepcional licenciatura | es_MX |
| dcrupi.departamento | Departamento de Ingeniería Eléctrica y Computación | es |
| dcrupi.instituto | Instituto de Ingeniería y Tecnología | es |
| dcrupi.programa-academico | Licenciatura en Ingeniería Biomédica | es |
| dcterms.thumbnail | http://ri.uacj.mx/vufind/thumbnails/tr-iit.png | es |