Departamento de Ciencias de la Computación

Permanent URI for this community

https://hdl.handle.net/20.500.12590/17959

Browse

Browsing Departamento de Ciencias de la Computación by browse.metadata.advisor "Cuadros Vargas, Alex Jesús"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    3D medical image segmentation based on 3D convolutional neural networks
    (Universidad Católica San Pablo, 2021) Marquez Herrera, Alejandra; Cuadros Vargas, Alex Jesús
    A neural network is a mathematical model that is able to perform a task automatically or semi-automatically after learning the human knowledge that we provided. Moreover, a Convolutional Neural Network (CNN) is a type of sophisticated neural network that has shown to efficiently learn tasks related to the area of image analysis (among other areas). One example of these tasks is image segmentation, which aims to find regions or separable objects within an image. A more specific type of segmentation called semantic segmentation, makes sure that each region has a semantic meaning by giving it a label or class. Since neural networks can automate the task of semantic segmentation of images, they have been very useful for the medical area, applying them to the segmentation of organs or abnormalities (tumors). Therefore, this thesis project seeks to address the task of semantic segmentation of volumetric medical images obtained by Magnetic Resonance Imaging (MRI). Volumetric images are composed of a set of 2D images that altogether represent a volume. We will use a pre-existing Three-dimensional Convolutional Neural Network (3D CNN) architecture, for the binary semantic segmentation of organs in volumetric images. We will talk about the data preprocessing process, as well as specific aspects of the 3D CNN architecture. Finally, we propose a variation in the formulation of the loss function used for training the 3D CNN, also called objective function, for the improvement of pixel-wise segmentation results. We will present the comparisons in performance we made between the proposed loss function and other pre-existing loss functions using two medical image segmentation datasets.
  • Thumbnail Image
    Item
    KMesh: un algoritmo paralelo para construir mallas adaptativas a partir de imágenes
    (Universidad Católica San Pablo, 2018) Gonzales Vega, Ronald Ubel Adolfo; Cuadros Vargas, Alex Jesús
    Con el desarrollo de métodos de computación gráfica y tecnologías que permiten captar imágenes volumétricas, se abrió´ paso a un desarrollo importante de métodos para generar modelos geométricos, entre ellos, se encuentra el método Imesh, el cual es un algoritmo que construye mallas simpliciales a partir de imágenes no pre procesadas, en 2 y 3 dimensiones. Imesh está´ dividido en 3 etapas: Construcción (ImeshCm), de una malla de Delaunay a partir de una imagen de entrada; Particionamiento (ImeshPm), de la malla en un número definido de submallas, usando su información geométrica y topológica; y Mejoramiento (ImeshMm), de los elementos que componen las submallas generadas introduciendo criterios de calidad de mallas Delaunay. Este trabajo estudia y reformula las etapas de Construcción (ImeshCm) y Mejoramiento (ImeshMm) del método Imesh, y utiliza este análisis para proponer un nuevo método de construcción de mallas, denominado kMesh. Esta nueva idea utiliza una combinación de mapas de distancia, esqueletización y distribución adaptativa de puntos con discos de Poisson. De esta manera, nuestro trabajo propone un algoritmo paralelo, para producir mallas adaptativas a partir de imágenes, en 2 y 3 dimensiones, considerando criterios de calidad en los elementos generados.