EVALUACIÓN DE MÁQUINAS DE APRENDIZAJE PARA LA SEGMENTACIÓN DE IMÁGENES DE RESONANCIA MAGNÉTICA
DOI:
https://doi.org/10.24054/rcta.v2i24.1209Palabras clave:
Segmentación, máquinas de aprendizaje, clasificaciónResumen
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.
Descargas
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.
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 3dbrainimage-processing [en línea].
Recuperado de [https://code.google.com/p/3dbrainimage-processing/]
Descargas
Publicado
Versiones
- 2014-07-02 (5)
- 2014-07-02 (4)
- 2014-07-02 (3)
- 2014-07-02 (2)
- 2022-03-07 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
