Mostrar el registro sencillo del ítem
Clasificación de parásitos de la malaria
dc.contributor.advisor | Cancino, Sandra | |
dc.contributor.author | Rojas Tocora, Angelica Maria | |
dc.date.accessioned | 2024-02-01T20:59:55Z | |
dc.date.available | 2024-02-01T20:59:55Z | |
dc.date.issued | 2024 | |
dc.identifier.uri | https://repositorio.escuelaing.edu.co/handle/001/2811 | |
dc.description.abstract | Malaria, a prevalent parasitic disease, has traditionally been diagnosed through microscopic blood examination, a method that requires considerable expertise and is subject to interpretative variability. This project proposes the use of advanced image processing techniques and machine learning to enhance the detection and classification of the four malaria parasites that infect humans: Plasmodium falciparum, P. vivax, P. ovale, and P. malariae. | eng |
dc.description.abstract | La malaria, una enfermedad parasitaria prevalente, se ha diagnosticado tradicionalmente mediante un examen microscópico de sangre, un método que requiere considerable experiencia y está sujeto a variabilidad interpretativa. Este proyecto propone el uso de técnicas avanzadas de procesamiento de imágenes y aprendizaje automático para mejorar la detección y clasificación de los cuatro parásitos de la malaria que infectan a los humanos: Plasmodium falciparum, P. vivax, P. ovale y P. malariae. | spa |
dc.format.extent | 4 páginas | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Escuela Colombiana de Ingeniería | spa |
dc.publisher | Universidad del Rosario | spa |
dc.title | Clasificación de parásitos de la malaria | spa |
dc.type | Trabajo de grado - Pregrado | spa |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
oaire.awardtitle | CLASIFICACÍON DE PARASITOS DE LA MALARIA | spa |
oaire.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
dc.contributor.corporatename | Escuela Colombiana de Ingeniería Julio Garavito | spa |
dc.description.degreelevel | Pregrado | spa |
dc.description.degreename | Ingeniero(a) Biomédico(a) | spa |
dc.description.methods | El conjunto de datos consiste en 229 imágenes de frotis de sangre obtenidas del Chittagong Medical College Hospital en Bangladesh. Estas imágenes han sido segmentadas para resaltar la región visual de los eritrocitos. Las imágenes están clasificadas en cuatro categorías, basadas en las especies de Plasmodium que causan malaria: Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae y Plasmodium ovale. La distribución de las imágenes por especie es la siguiente: 122 imágenes corresponden a Plasmodium falciparum, 37 a Plasmodium malariae, 29 a Plasmodium ovale y 46 Plasmodium vivax. Este dataset no contaba con anotaciones específicas para la segmentación de parásitos por especie, sino; para la segmentación por fase de vida, en consecuencia, a esto, se realizó una segmentación manual haciendo uso de la herramienta de MATLAB Image Labeler. B. Segmentación Se segmentó el color morado; considerando que todos los parásitos están pintados con este color en las imágenes. Se utiliza MATLAB para este proceso, el cual, implica varios pasos, desde la conversión de la imagen a un espacio de color adecuado hasta la creación de una máscara binaria que identifica las áreas de interés. 1) Definición del Rango de Color: Primero, definimos el rango del color morado en el espacio de color HSV (Hue, Saturation, Value), que es más efectivo para la segmentación de colores que el espacio de color RGB (Red, Green, Blue). El rango se ajusta según las necesidades específicas y el tono deseado de morado: rango_color_morado = [0.7, 0.2, 0.2; 0.9, 1.0, 1.0]; 2) Conversión de RGB a HSV: Convertimos la imagen del espacio de color RGB al espacio HSV. Esto facilita la identificación de colores específicos en la imagen. 3) Creación de la Máscara Binaria: Creamos una máscara binaria que identifica el color morado en la imagen. Esta máscara compara cada píxel con el rango definido, resultando en una imagen binaria donde los píxeles morados son marcados. C. Clasificación Se usó transfer learnig. El cual es una técnica avanzada en el campo del aprendizaje automático, que consiste en aplicar conocimientos adquiridos en una tarea para mejorar el aprendizaje en otra tarea relacionada. Esta estrategia es especialmente útil cuando se cuenta con un conjunto de datos | spa |
dc.description.researcharea | Procesamiento de señales e imagenes | spa |
dc.identifier.url | https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23637 | |
dc.publisher.place | Bogotá | spa |
dc.publisher.program | Ingeniería Biomédica | spa |
dc.relation.indexed | N/A | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.armarc | Malaria | |
dc.subject.armarc | Procesamiento de imágenes | |
dc.subject.armarc | Aprendizaje automático | |
dc.subject.proposal | Malaria | spa |
dc.subject.proposal | Malaria | eng |
dc.subject.proposal | Procesamiento de imágenes | spa |
dc.subject.proposal | Image processing | eng |
dc.subject.proposal | Aprendizaje automático | spa |
dc.subject.proposal | Machine learning | eng |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TP | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
BA - Trabajos Dirigidos de Biomédica [231]
Trabajos del Pregrado de Ingeniería Biomédica de la Escuela Colombiana de Ingeniería Julio Garavito