Investigación Científica Aplicada
Segmentacion semantica binaria de polipos colorrectales
Este trabajo presenta un modelo de segmentación semántica binaria basado en la arquitectura U-Net con codificador ResNet34 para detectar pólipos en imágenes endoscópicas. Ante la tasa de omisión del 22% en colonoscopias manuales, este sistema de deep learning busca asistir al médico y reducir errores de diagnóstico. Entrenado con el dataset Kvasir-SEG y estrategias de aumentación de datos para mitigar el sobreajuste, el modelo alcanzó un rendimiento clínico sobresaliente: 97% de exactitud, coeficiente Dice de 0.9039 e IoU de 0.8427. Su alta precisión (0.9221) minimiza los falsos positivos, consolidándose como una herramienta robusta y eficaz para la detección temprana del cáncer colorrectal.
Descripcion completa
Este trabajo presenta un modelo de segmentación semántica binaria basado en la arquitectura U-Net con codificador ResNet34 para detectar pólipos en imágenes endoscópicas. Ante la tasa de omisión del 22% en colonoscopias manuales, este sistema de deep learning busca asistir al médico y reducir errores de diagnóstico. Entrenado con el dataset Kvasir-SEG y estrategias de aumentación de datos para mitigar el sobreajuste, el modelo alcanzó un rendimiento clínico sobresaliente: 97% de exactitud, coeficiente Dice de 0.9039 e IoU de 0.8427. Su alta precisión (0.9221) minimiza los falsos positivos, consolidándose como una herramienta robusta y eficaz para la detección temprana del cáncer colorrectal.
Relacionados
Proyectos que podrian interesarte
Comparación y Clasificación Automática de Lesiones Dermatoscopicas mediante ResNet50 y EfficientNetB3 con Transfer Learning: Implementación sobre el Dataset HAM10000
Desarrollo de Software para la Detección Automatizada y Cuantificación Vectorial del Valgo Dinámico de Rodilla
Síntesis y caracterización de nanopartículas de plata incorporadas en hidrogeles de almidón de makal para aplicaciones en curación de heridas.
