Análisis de técnicas para segmentación y claificación de imágenes

Para citar o enlazar este item, por favor use el siguiente identificador: http://dspace.ups.edu.ec/handle/123456789/17602
Title: Análisis de técnicas para segmentación y claificación de imágenes
Authors: Aguilar Yanzaguano, Katherine Salomé
Egas Cevallos, Carlos Andrés
Advisor: Ramírez Montalvan, Washington Arsenio
Abstract: The problem is based on the reduction of computational calculation using techniques to identify masses and microcalcifications in digital mammographic images. Our work used 243 images from the database INbreast, the techniques were developed in C/C++, for masses were used Median filter, global thresholding, Canny and mathematical morphology are used; for microcalcifications, the same techniques were used except global thresholding. The results obtained in masses were AUC 63.34% and in the average computational calculation both segmentation and classification was 2.16s, 14.60% in CPU and 28406.44kb in RAM. Also, for microcalcifications, AUC 89.65% was obtained and in the average computational calculation both segmentation and classification was 9.68s, 14.90% in CPU and 74079.30kb in RAM. Finally, it was concluded that the combination of techniques improves the results obtained, but there aren’t still optimal algorithms that emit with accuracy the detection of breast cancer.
Translated abstract: El problema se basa en la reducción de cálculo computacional utilizando técnicas para identificar masas y microcalcificaciones en imágenes digitales mamográficas. Nuestro trabajo utilizó 243 imágenes de la base de datos INbreast, las técnicas fueron desarrolladas en C/C++, para masas se utilizan Median filter, umbral global, Canny y morfología matemática; para microcalcificaciones se utilizaron las mismas técnicas excepto umbral global. Los resultados obtenidos en masas fueron AUC 63.34% y en el cálculo computacional promedio tanto de segmentación y clasificación fue 2.16s, 14.60% en CPU y 28406.44kb en RAM. Asimismo, para microcalcificaciones se obtuvo AUC 89.65% y en el cálculo computacional promedio tanto de segmentación y clasificación fue 9.68s, 14.90% en CPU y 74079.30kb en RAM. Finalmente se concluyó que la unión de técnicas mejora los resultados obtenidos, pero aún no existen algoritmos óptimos que emitan con precisión la detección de cáncer de mama.
Keywords: INGENIERÍA DE SISTEMAS
ANÁLISIS DE SISTEMAS
CLASIFICACIÓN AUTOMÁTICA
TRANSMISIÓN DE IMÁGENES
Issue Date: Jul-2019
URI: http://dspace.ups.edu.ec/handle/123456789/17602
Language: spa
Appears in Collections:Grado

Files in This Item:
File Description SizeFormat 
UPS - ST004179.pdf227.86 kBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons