Mostrar el registro sencillo del ítem
dc.contributor.advisor | Belda Lois, Juan Manuel![]() |
es_ES |
dc.contributor.advisor | Tomás Chenoll, Julia![]() |
es_ES |
dc.contributor.advisor | Iranzo Egea, Sofía![]() |
es_ES |
dc.contributor.author | Mínguez Porter, Carmen![]() |
es_ES |
dc.date.accessioned | 2021-10-18T18:00:32Z | |
dc.date.available | 2021-10-18T18:00:32Z | |
dc.date.created | 2021-09-27 | |
dc.date.issued | 2021-10-18 | es_ES |
dc.identifier.uri | http://hdl.handle.net/10251/174928 | |
dc.description.abstract | [ES] En el presente proyecto el alumno implementará métodos de inteligencia artificial aplicados a imagen médica para mejorar la segmentación de tejido óseo en casos en los que se pretende evaluar la capacidad de osteointegración de implantes metálicos porosos. Actualmente, cuando se analiza la interacción hueso-implante mediante imágenes extraídas por tomografías computarizadas (CT, por sus siglas en inglés) resulta difícil diferenciar el tejido óseo del implante durante la segmentación, dado el elevado ruido que se produce al irradiar el metal del implante en cuestión. Como consecuencia, es complejo y, en ocasiones, profundamente laborioso evaluar la osteointegración real que se produce entre el hueso y el implante. El objetivo del proyecto es optimizar este proceso mediante deep learning aplicado a imagen médica con la finalidad de obtener el tejido óseo segmentado de manera fiable y automática. Para ello, se realizará la segmentación de imágenes microCT de estructuras metálicas porosas implantadas en cóndilo de conejo mediante software de tratamiento de imagen médica (Mimics o ImageJ) para, posteriormente, estudiar y desarrollar diversas redes neuronales convolucionales en lenguaje de programación Python. El modelo generado será entrenado con los dos grupos de imágenes: originales y tratadas. Por último, se analizará la precisión de las redes evaluadas tratando de maximizar el resultado con la finalidad última de predecir la cantidad de tejido osteointegrado de una imagen original de microCT. PLAN DE TRABAJO (orientativo): 1. Análisis del estado del arte. 2. Segmentación de imágenes microCT de estructuras porosas implantadas en cóndilo de conejo mediante Mimics o ImageJ. 3. Estudio e implementación de redes neuronales convolucionales en Python. 4. Entrenamiento con las imágenes originales y las imágenes segmentadas. 5. Evaluación y modificación de parámetros. | es_ES |
dc.description.abstract | [EN] In this project, the student will implement artificial intelligence methods applied to medical imaging to improve bone tissue segmentation in cases in which it is intended to evaluate the osseointegration capacity of porous metal implants. Currently, when the bone-implant interaction is analyzed using images obtained by computed tomography (CT), it is difficult to differentiate the bone tissue from the implant during segmentation, given the high noise produced when irradiating the implant metal in question. As a consequence, it is complex and sometimes deeply time consuming to assess the actual osseointegration that occurs between the bone and the implant. The objective of the project is to optimize this process through deep learning applied to medical imaging in order to obtain segmented bone tissue in a reliable and automatic way. To do this, microCT images of porous metal structures implanted in rabbit condyle will be segmented using medical image treatment software (Mimics or ImageJ) to later study and develop various convolutional neural networks in Python programming language. The generated model will be trained with the two groups of images: original and treated. Finally, the precision of the evaluated networks will be analyzed, trying to maximize the result with the ultimate aim of predicting the amount of osseointegrated tissue from an original microCT image. WORK PLAN (indicative): 1. Analysis of the state of the art. 2. Segmentation of microCT images of porous structures implanted in rabbit condyle using Mimics or ImageJ. 3. Study and implementation of convolutional neural networks in Python. 4. Training with original images and segmented images. 5. Evaluation and modification of parameters. | es_ES |
dc.format.extent | 64 | es_ES |
dc.language | Español | es_ES |
dc.publisher | Universitat Politècnica de València | es_ES |
dc.rights | Reserva de todos los derechos | es_ES |
dc.subject | MicroCT | es_ES |
dc.subject | Inteligencia Artificial | es_ES |
dc.subject | Implantes | es_ES |
dc.subject | Redes Neuronales | es_ES |
dc.subject | Artificial Intelligence | es_ES |
dc.subject | Implants | es_ES |
dc.subject | Neural Networks | es_ES |
dc.subject.classification | INGENIERIA MECANICA | es_ES |
dc.subject.other | Máster Universitario en Ingeniería Biomédica-Màster Universitari en Enginyeria Biomèdica | es_ES |
dc.title | Desarrollo de un algoritmo de optimización mediante inteligencia artificial para la segmentación de imagen médica de tejido óseo en interacción con implantes metálicos | es_ES |
dc.type | Tesis de máster | es_ES |
dc.rights.accessRights | Cerrado | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Departamento de Ingeniería Mecánica y de Materiales - Departament d'Enginyeria Mecànica i de Materials | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Escuela Técnica Superior de Ingenieros Industriales - Escola Tècnica Superior d'Enginyers Industrials | es_ES |
dc.description.bibliographicCitation | Mínguez Porter, C. (2021). Desarrollo de un algoritmo de optimización mediante inteligencia artificial para la segmentación de imagen médica de tejido óseo en interacción con implantes metálicos. Universitat Politècnica de València. http://hdl.handle.net/10251/174928 | es_ES |
dc.description.accrualMethod | TFGM | es_ES |
dc.relation.pasarela | TFGM\144104 | es_ES |