Mejía Muñoz, José ManuelCossio Galindo, Karen LuceroBotello Arredondo, Adeodato Israel2019-06-042019-06-042018-05LIB-2018-1-10http://hdl.handle.net/20.500.11961/5090En el diagnóstico y la terapia asistida por computadora se usan algoritmos para procesar y visualizar las imágenes médicas [1]. Entre los procesos más conocidos para el procesamiento de imágenes se encuentra la detección automática de los tejidos, conocida por lo general como segmentación [2]. La segmentación del tejido hepático es esencial para la valoración, monitoreo y tratamiento de distintas patologías presentes en el hígado, como la cirrosis o cáncer [3]. La segmentación hepática sirve para observar las anormalidades y lesiones en el hígado, para que así el paciente empiece con tratamiento y posteriormente la planificación quirúrgica[4]. En la Universidad Autónoma de Ciudad Juárez (UACJ), el Dr. José Mejía forma parte del grupo de investigación de Procesamiento Avanzado de Imágenes Médicas. Dicho grupo desarrolla sistemas capaces de segmentar diversos objetos de interés tales como órganos, lesiones y tumores en las imágenes médicas, por lo que la evaluación y desarrollo de un algoritmo para segmentar lesiones en el tejido hepático resulta de gran interés para el grupo.La segmentación de tumores de hígado a partir de imágenes de tomografía computarizada (TC) es una tarea esencial para el diagnóstico y los tratamientos del cáncer de hígado. Sin embargo, es difícil debido a la variabilidad de las apariencias, los límites difusos, las densidades heterogéneas, las formas y tamaños de las lesiones. Esta investigación presenta un trabajo de segmentación de imágenes adquiridas por tomografía computarizada, en el cual se mencionan los fundamentos de la tomografía computarizada y los conceptos más importantes relacionados con las imágenes médicas utilizadas en la práctica clínica. La metodología de este trabajo está basada en redes neuronales convolucionales (CNN) llamada SegNet para segmentar lesiones en el hígado a partir de imágenes de TC. El CNN es uno de los modelos de aprendizaje profundo con algunos filtros convolucionales que pueden aprender características jerárquicas de los datos. Las etapas correspondientes para el desarrollo de esta investigación fueron la preparación de las imágenes de entrada, el entrenamiento de la red y por último la segmentación de las imágenes. El promedio del porcentaje del área “Tipo2” que fue el área que detecto la red SegNet, fue del 82.81% y valiéndonos solamente de las características de intensidad de escala de grises de las imágenes de tomografía computarizada, del tiempo de entrenamiento y memoria de la red, se concluye que la segmentación de las lesiones en el hígado con respecto al tejido hepático sano, tiene un rendimiento aceptable.spaAtribución-NoComercial-SinDerivadas 2.5 MéxicoIngeniería BiomédicaProcesamiento de imágenesLesiones en hígadoTomografía computarizadainfo:eu-repo/classification/cti/7Trabajo recepcional licenciatura