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

Ximena  Magdalena; Carlos  Ferrin; Humberto  Loaiza

doi:10.24054/rcta.v2i24.1209

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.

Descargas

Los datos de descargas todavía no están disponibles.

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/]"