Examinando por Materia "APRENDIZAJE PROFUNDO"

Mostrando1 - 7 de 7
  • Proyecto final de Grado
    Clasificación de lesiones cutáneas utilizando métodos de procesamiento de imágenes y aprendizaje profundo
    (2019-10-10) Choi, David Fabián; Migliano, Luciana; Milano, Federico E.; Mosquera, Tomás
    El objetivo general de este trabajo es "desarrollar métodos de detección precoz de melanoma mediante el uso de un sistema automatizado."
  • Proyecto final de Grado
    Clasificación de tumores renales sólidos a partir de imágenes tomográficas, utilizando algoritmos de deep learning
    (2022) Rey, Luciana; Mosquera, Candelaria
    "El objetivo del proyecto es la creación de un sistema automático que utiliza redes convolucionales para la clasificación de carcinomas y oncocitomas, a partir de tomografías computarizadas multifásicas. Esta herramienta propone un diagnóstico sin requerir un procedimiento invasivo y puede servir como apoyo en la toma de decisión de los urólogos."
  • Proyecto final de Grado
    Deep learning en la detección de Alzheimer utilizando imágenes de resonancia magnética
    (2020-09-22) Paniza, Valentina; Selmo, Carlos
    "A lo largo de las últimas décadas diferentes modelos de aprendizaje automático han ido explorando diversas áreas de la medicina con el fin de brindarle herramientas de soporte a los profesionales de la salud. Particularmente, técnicas de aprendizaje profundo han resurgido debido a, en gran medida, el aumento de la capacidad computacional y la disponibilidad de nuevos conjuntos de datos masivos. Los avances en esta disciplina contribuyen en la identificación, clasificación y cuantificación de patrones en imágenes médicas. El presente trabajo tiene por objeto extraer patrones de neuroimágenes mediante algoritmos de aprendizaje profundo que den soporte en el diagnóstico de la enfermedad de Alzheimer en adultos mayores en aplicaciones clínicas. El desafío yace en poder distinguir pacientes sanos de enfermos en imágenes donde los patrones cerebrales e intensidades son muy similares."
  • Proyecto final de Grado
    EEG waveform identification based on deep learning techniques
    (2022) Ail, Brian Ezequiel; Ramele, Rodrigo
    "The use of Brain-Computer Interfaces can provide substantial improvements to the quality of life of patients with diseases such as severe Amyotrophic lateral sclerosis that cause Locked-in syndrome, by creating new avenues in which these people can communicate and interact with the outside world. The P300 speller is an interface which provide the patients the ability to spell letters and eventually words, so that they can speak while unable to use their mouth. The P300 speller works by reading signals from the brain using an Electroencephalogram. Traditionally, these signals were plotted and interpreted by specialized technicians or neurologists, but the development of Machine learning algorithms for classification allow the computers to perform this analysis and detect the P300 signals, which is an Event Related Potential triggered when certain stimuli such as a bright light is triggered on a place that the patient is focused on. In this thesis we used a Convolutional Neural Network to train multi-channel EEG readings, and attempted to detect P300 signals from a P300 speller. The results are corroborated against a public ALS dataset."
  • Proyecto final de Grado
    Implementación y validación de un modelo de deep learning para la clasificación de toxicidad de compuestos de interés farmacéutico
    (2021) Scardino, Valeria; Cavasotto, Claudio N,
    En el presente trabajo se implementará un modelo Multi Layer Perceptron (MLP) con el objetivo principal de evaluar deep learning en toxicología usando una métrica que tenga en cuenta el desbalance de los datos y la importancia de clasificar mal una de las clases.
  • Proyecto final de Grado
    Sistema de soporte a la toma de decisiones para la detección de opacidades pulmonares en radiografías de tórax mediante el uso de redes neuronales convolucionales
    (2022-02) Berrino, Eugenia; Mosquera, Candelaria
    "La radiografía de tórax es una técnica diagnóstica ampliamente utilizada en todo el mundo debido a que permite obtener representaciones confiables del cuerpo de los pacientes de manera no invasiva, a tiempos cortos, sin la necesidad de preparaciones especiales, con riesgos residuales aceptables y a un costo significativamente menor que otros estudios de imagen. Sin embargo, la interpretación de este estudio de imagen es compleja y presenta una gran variabilidad interobservador (...). Tomando como base el teorema fundamental de la informática biomédica enunciado por Charles Friedman, el cual postula que el trabajo de un profesional en conjunto con una fuente de información es mejor que el mismo profesional trabajando sin ella, se desarrolló un sistema de soporte a la toma de decisiones médicas para la detección de opacidades pulmonares en radiografías de tórax basado en redes neuronales convolucionales. El sistema es capaz de filtrar las imágenes inválidas previamente para garantizar predicciones sobre el tipo de imagen correcta, detectar presencia o ausencia de opacidades pulmonares de manera binaria y, en caso de hallar opacidades, mostrar en la imagen su ubicación. El sistema fue diseñado para ser implementado en la central de emergencias para asistir a médicos no especialistas en imágenes del Hospital Italiano de Buenos Aires (HIBA) y por tanto, se utilizaron imágenes propias del hospital para validar el sistema. Estas últimas pruebas, demostraron la capacidad del mismo para clasificar correctamente el 95 % de las imágenes de un total de 1284 casos."
  • Trabajo final de especialización
    Técnicas de aprendizaje profundo para el pronóstico de la producción de petróleo: aplicación a pozos perforados en yacimientos no-convencionales
    (2021-12) Ortega Arrieta, Alexis Enrique; Soliani, Valeria
    "El presente trabajo busca desarrollar una metodología basada en datos para pronosticar la producción mensual promedio de petróleo de pozos horizontales perforados y completados en el yacimiento no-convencional Vaca Muerta en Argentina. Se busca también modelar el efecto de varios parámetros de yacimiento y completamiento en la producción de pozos de petróleo y gas mediante la aplicación de una metodología probabilística. Para lo anterior, se propone el uso de una arquitectura novedosa denominada “Temporal Fusion Transformers” que, mediante el análisis de la compleja interacción entre covariables estáticas y covariables temporales, permite pronosticar múltiples pasos de tiempo futuros."