FF-TRANS-UNET: MODELO DE SEGMENTACIÓN DE IMÁGENES MÉDICAS CON FUNCIÓN DE PÉRDIDA FOCAL DIFUSA

TALAMANTES ROMÁN, ADRIÁN (2024) FF-TRANS-UNET: MODELO DE SEGMENTACIÓN DE IMÁGENES MÉDICAS CON FUNCIÓN DE PÉRDIDA FOCAL DIFUSA. Maestría thesis, Universidad Autónoma de Chihuahua.

Vista Previa

Text Tesis Adrián Talamantes Román.pdf Download (3364Kb) | Vista Previa

Resumen

En la actualidad, el diagnóstico asistido por computadora desempeña un papel fundamental en la identificación y análisis de lesiones u órganos internos afectados por diversas causas. La mayoría de estas técnicas se basan en modelos de segmentación semántica que permiten estudiar tomografías computarizadas y resonancias magnéticas. En este trabajo, se propone el desarrollo de un modelo de segmentación de imágenes médicas en órganos abdominales utilizando la base de datos CHAOS que utiliza una arquitectura encoder-decoder que incorpora modelos de atención y una función de pérdida focal con un enfoque difuso para ajustar la función de pérdida. Los resultados muestran que se logra un desempeño competitivo en comparación con modelos del estado del arte basados en arquitecturas neuronales UNet, conexiones residuales y transformers. Finalmente, se analizan los resultados mediante pruebas estadísticas, utilizando como variables, los resultados obtenidos con el coeficiente DICE de segmentación y el número de parámetros de cada modelo. Estas pruebas nos ayudan a decidir si un modelo es significativamente diferente a otro, y, por lo tanto, poder tomar una decisión a la hora de decidir utilizar alguno de los modelos presentados. El enfoque difuso en la función de pérdida focal proporciona una metodología sofisticada y efectiva para adaptar de manera inteligente el proceso de entrenamiento para responder a las variaciones en los tamaños de las clases y la evolución de la pérdida.

Actions (login required)

Ver Objeto