Evaluación de máquinas de aprendizaje para la segmentación de imágenes de resonancia magnética

Autores/as

  • Ximena Magdalena Universidad del Valle
  • Carlos Ferrin Universidad del Valle
  • Humberto Loaiza Universidad del Valle

DOI:

https://doi.org/10.24054/rcta.v2i24.1209

Palabras clave:

Segmentación, máquinas de aprendizaje, clasificación

Resumen

Existen diferentes métodos de segmentación de imágenes, sin embargo, es importante poder evaluar los resultados y poder identificar el método más preciso para una aplicación específica. En este documento se describe un sistema de evaluación de máquinas de aprendizaje para la segmentación de imágenes de resonancia magnética. El sistema permite seleccionar y visualizar las características que se tendrán en cuenta en el proceso de clasificación, definir las clases, realizar el entrenamiento de las máquinas de aprendizaje, ejecutar la clasificación, obtener la segmentación de la imagen, y finalmente comparar los resultados de la segmentación mediante la distancia de Hausdorff.

Citas

K. O. Babalola, et al. (2008). Comparison and Evaluation of Segmentation Techniques for Subcortical Structures in Brain MRI. Springer-Verlag Berlin Heidelberg, pp.409- 416.

B. Drozdowicz, et al. (2005). Segmentación semiautomática de imágenes de resonancia magnética, basada en redes neuronales artificiales. Universidad Nacional de Entre Ríos. Ciencia, docencia y tecnología, Argentina, Vol. 16, No. 30, May, pp. 117-155

J. Freixenet, X. Muñoz, D. Raba, J. Martí, and X. Cufí. Yet Another Survey on Image Segmentation: Region and Boundary Information Integration. University of Girona. Institute of Informatics and Applications. Campus de Montilivi s/n. 17071. Girona, Spain.

H. A. Fuentes. (2008). Evaluación de la distancia Hausdorff en un sistema automático de reconocimiento de huellas dactilares. Colombia, Revista Colombiana De Computación, Vol. 9, No. 1, pp. 7-32.

D. Panda, A. Rosenfeld. (1978). Image Segmentation by Pixel Classification in (Gray Level, Edge Value) Space. IEEE transactions on computers, Vol. c-27, No. 9, september.

D. L. Pham and C. Xu, J. L. (1998). Prince. A survey of current methods in medical image segmentation. The Johns Hopkins University. Department of Electrical and Computer Engineering. Annual Review of Biomedical Engineering, January 19.

Cheng, Ch. (2011). A pixel classification system for segmenting biomedical images using intensity neighborhoods and dimension reduction. Biomedical Imaging: From Nano to Macro, 2011 IEEE International Symposium on. March 30-April 2.

Gélvez, L. F., Maldonado, J. O. (2012). Aplicación de redes neuronales morfológicas al reconocimiento de vocablos simples. Revista Colombiana de Tecnologías de Avanzada, Vol. 1, No. 19, pp. 13–20.

"Graña, M., Maldonado, J. O. (2013). Indexación de imágenes hiperespectrales aplicando redes neuronales morfológicas. Revista Colombiana de Tecnologías de Avanzada, Vol. 2, No. 22, pp. 91–97."

Martinez, C., Díaz, J. L., Pardo A. (2012). Aplicación de redes neuronales al control de velocidad en motores de corriente alterna. Revista Colombiana de Tecnologías de Avanzada, Vol. 2, No. 20, pp. 91–97.

"Machine Learning Group at the University of Waikato (2013). Waikato Environment for Knowledge Analysis WEKA [en línea]. Recuperado de [http://www.cs.waikato.ac.nz/ml/weka/index.html]"

"X. Magdalena (2013). Repositorio 3d- brainimage-processing [en línea]. Recuperado de [https://code.google.com/p/3d-brainimage-processing/]"

Descargas

Publicado

2022-03-07 — Actualizado el 2014-07-02

Versiones

Cómo citar

Magdalena, . X. ., Ferrin, C. ., & Loaiza, H. . (2014). Evaluación de máquinas de aprendizaje para la segmentación de imágenes de resonancia magnética. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 2(24), 64–69. https://doi.org/10.24054/rcta.v2i24.1209 (Original work published 7 de marzo de 2022)

Número

Vol. 2 Núm. 24 (2014): Julio – Diciembre

Sección

Artículos

Licencia

Derechos de autor 2014 REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA)

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Los autores que publiquen en esta revista aceptan las siguientes condiciones:

  1. Los autores conservan los derechos morales de autor y otorgan a la revista el derecho de la primera publicación del trabajo. Este trabajo se licencia bajo la Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0 DEED), que permite a terceros utilizar el trabajo siempre que se dé crédito adecuado a los autores y a la primera publicación en esta revista. No se permite el uso comercial de la obra y no se pueden crear obras derivadas.

  2. Los autores pueden celebrar acuerdos contractuales adicionales e independientes para la distribución no exclusiva de la versión del artículo publicado en esta revista (por ejemplo, incluirlo en un repositorio institucional o publicarlo en un libro), siempre que se indique claramente que el trabajo se publicó por primera vez en esta revista.

  3. Se permite y se recomienda a los autores publicar su trabajo en Internet (por ejemplo, en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado.