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

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.

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

2022-03-07

Cómo citar

Magdalena, . X. ., Ferrin, C. ., & Loaiza, H. . (2022). EVALUACIÓN DE MÁQUINAS DE APRENDIZAJE PARA LA SEGMENTACIÓN DE IMÁGENES DE RESONANCIA MAGNÉTICA. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 2(24), 64–69. Recuperado a partir de https://ojs.unipamplona.edu.co/ojsviceinves/index.php/rcta/article/view/1209

Número

Sección

Artículos