Mostrar el registro sencillo del ítem
dc.contributor.advisor | Gómez Adrian, Jon Ander | es_ES |
dc.contributor.author | Martínez Bernia, Javier | es_ES |
dc.date.accessioned | 2022-09-06T13:10:31Z | |
dc.date.available | 2022-09-06T13:10:31Z | |
dc.date.created | 2022-07-18 | es_ES |
dc.date.issued | 2022-09-06 | es_ES |
dc.identifier.uri | http://hdl.handle.net/10251/185362 | |
dc.description.abstract | [ES] Los avances en el campo de la Inteligencia Artificial nos han llevado a una nueva era de investigación. Los modelos de Deep Learning permiten detectar y diagnosticar enfermedades en pacientes de manera automática. En este proyecto se aplican técnicas de Deep Learning a diversos casos de uso relacionados con la salud. Se hace uso de redes neuronales para construir modelos capaces de afrontar las distintas tareas de cada caso de uso. Las tareas presentadas en este trabajo están relacionadas con el análisis de electroencefalogramas e imagen médica. El proyecto cae en el marco del desarrollo de la herramienta EDDL, un software que premite crear y manipular los modelos mencionados. El objetivo principal es hacer uso de la herramienta para afrontar problemas de aprendizaje automático con modelos del estado del arte. | es_ES |
dc.description.abstract | [EN] The progress in the field of Artificial Intelligence has led us to a new research era. Deep Learning models can automatically detect and diagnose diseases in patients. In this project, Deep Learning techniques are applied to several use cases related to health. Neural Networks are used to build models which are able to face the different tasks in each use case. The tasks presented in this work are related to the analysis of electroencephalogram signals and medical imaging. The project was carried out under the development of the EDDL toolkit, a software that allows for creating and manipulating the mentioned models. The main goal is to use this toolkit to face machine learning problems with state-of-the-art models. | en_EN |
dc.format.extent | 66 | es_ES |
dc.language | Inglés | es_ES |
dc.publisher | Universitat Politècnica de València | es_ES |
dc.rights | Reserva de todos los derechos | es_ES |
dc.subject | Aprendizaje profundo | es_ES |
dc.subject | Imagen médica | es_ES |
dc.subject | Redes neuronales | es_ES |
dc.subject | Electroencefalogramas (EEG) | es_ES |
dc.subject | Reconocimiento de patrones | es_ES |
dc.subject | Deep Learning | en_EN |
dc.subject | Medical Imaging | en_EN |
dc.subject | Neural Networks | en_EN |
dc.subject | Electroencephalogram (EEG) | en_EN |
dc.subject | Pattern Recognition | en_EN |
dc.subject.classification | LENGUAJES Y SISTEMAS INFORMATICOS | es_ES |
dc.subject.other | Máster Universitario en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital-Màster Universitari en Intel·Ligència Artificial: Reconeixement de Formes i Imatge Digital | es_ES |
dc.title | Deep Learning applied to health | es_ES |
dc.title.alternative | Deep Learning aplicado a la salud | es_ES |
dc.title.alternative | Deep Learning aplicat a la salut | es_ES |
dc.type | Tesis de máster | es_ES |
dc.rights.accessRights | Abierto | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Departamento de Sistemas Informáticos y Computación - Departament de Sistemes Informàtics i Computació | es_ES |
dc.description.bibliographicCitation | Martínez Bernia, J. (2022). Deep Learning applied to health. Universitat Politècnica de València. http://hdl.handle.net/10251/185362 | es_ES |
dc.description.accrualMethod | TFGM | es_ES |
dc.relation.pasarela | TFGM\144278 | es_ES |