- -

Desarrollo de un clasificador de modelos óseos con inteligencia artificial mediante PointNet++ y escaneado 3D para el primer banco virtual de tejidos de Europa

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

Desarrollo de un clasificador de modelos óseos con inteligencia artificial mediante PointNet++ y escaneado 3D para el primer banco virtual de tejidos de Europa

Mostrar el registro sencillo del ítem

Ficheros en el ítem

dc.contributor.advisor Vilariño Feltrer, Guillermo es_ES
dc.contributor.advisor Sanz García, Andrés es_ES
dc.contributor.author García Sanz, Alfonso es_ES
dc.date.accessioned 2024-10-22T17:36:00Z
dc.date.available 2024-10-22T17:36:00Z
dc.date.created 2024-09-27
dc.date.issued 2024-10-22 es_ES
dc.identifier.uri http://hdl.handle.net/10251/210686
dc.description.abstract [ES] Cada año se realizan más de 2,5 millones de trasplantes de tejidos que salvan vidas. España alcanzó una tasa de donaciones por millón de población (pmp) de 37.97 desde el año 2020, cifra solo superada por Estados Unidos (38.03 pmp). La unidad funcional del sistema de recogida de tejidos es el banco de tejidos, donde son recogidos, estudiados, procesados, almacenados y distribuidos a los centros donde sean necesarios. Durante este proceso, los tejidos son sometidos bajo control microbiológico y conservados mediante criogenización durante un máximo de cinco años, siempre y cuando sigan en las mismas condiciones. En España, la toma de decisiones para la elección del tejido más idóneo para un trasplante se basa en la visión rápida y general de la muestra biológica, por lo que es necesario romper la cadena de frío en el propio Centro de Trasplante para su valoración por los cirujanos. Esto se debe a la falta de información sobre medidas dimensiones de la muestra. Según recoge la Memoria de Actividad de Donación y Trasplante de Tejidos en España en el año 2021, aproximadamente el 47% de los tejidos osteotendinosos descartados para trasplantar es debido a dificultades durante su procesado. De esta forma los Bancos de Tejidos deben buscar nuevas técnicas para mejorar la seguridad de los tejidos y evitar la contaminación o degradación de los mismos. En los últimos años ha surgido elevado interés en el sector salud en las materias de inteligencia artificial y machine learning, ocupando un lugar importante en este campo atrayendo el interés de investigadores y empleando datos médicos como imágenes y datos de pacientes para mejorar la capacidad asistencial. Es por ello que surge la necesidad de crear el primer banco virtual de tejidos de Europa. En un primer estadio del proyecto, se deberán emplear técnicas de digitalización de muestras óseas sin contacto, con posibilidad de realizarlo en condiciones asépticas y de forma económica y técnicas de clasificación automática de dichos modelos digitales, empleando inteligencia artificial exactamente la red neuronal PointNet++,ajustando los hiperparámetros propios de la red y obtener el mayor rendimiento posible evaluando métricas como exactitud o accuracy, Kappa de Cohen o coeficiente de Correlación de Matthews (MCC), con el fin de implementar el proceso en un flujo de trabajo más amplio hasta obtener una base de datos más completa de las muestras óseas. es_ES
dc.description.abstract [EN] Each year, more than 2.5 million tissue transplants are performed, saving lives. Spain reached a donation rate of 37.97 per million population (pmp) since 2020, a figure only surpassed by the United States (38.03 pmp). The functional unit of the tissue collection system is the tissue bank, where tissues are collected, studied, processed, stored, and distributed to centers where they are needed. During this process, tissues are subjected to microbiological control and preserved through cryopreservation for a maximum of five years, provided they remain in the same conditions. In Spain, the decision-making process for selecting the most suitable tissue for a transplant is based on a rapid and general assessment of the biological sample, requiring the cold chain to be broken at the Transplant Center itself for evaluation by surgeons. This is due to the lack of information on the dimensional measurements of the sample. According to the 2021 Tissue Donation and Transplantation Activity Report in Spain, approximately 47% of osteotendinous tissues discarded for transplantation are due to difficulties during processing. Therefore, Tissue Banks must seek new techniques to improve tissue safety and prevent contamination or degradation. In recent years, there has been significant interest in the health sector in artificial intelligence and machine learning, playing an important role in this field, attracting the interest of researchers, and using medical data such as images and patient information to enhance healthcare capabilities. This is why the need arises to create the first virtual tissue bank in Europe. In the project's first stage, non-contact bone sample digitization techniques must be employed, with the ability to do so in aseptic conditions and in a cost-effective manner, along with automatic classification techniques for these digital models using artificial intelligence, specifically the PointNet++ neural network. Hyperparameters of the network will need to be adjusted to achieve the highest possible performance by evaluating metrics such as accuracy, Cohen s Kappa, or the Matthews Correlation Coefficient (MCC), with the goal of implementing the process into a broader workflow until a more complete database of bone samples is obtained. es_ES
dc.format.extent 113 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 Banco de tejidos es_ES
dc.subject Hueso es_ES
dc.subject Escáner es_ES
dc.subject Inteligencia artificial es_ES
dc.subject PointNet es_ES
dc.subject Métricas es_ES
dc.subject Exactitud es_ES
dc.subject Kappa de Cohen es_ES
dc.subject Coeficiente de correlación de Matthews es_ES
dc.subject Tissue bank es_ES
dc.subject Bone es_ES
dc.subject Scanner es_ES
dc.subject Artificial inteligence es_ES
dc.subject Metrics es_ES
dc.subject Accuracy es_ES
dc.subject Cohen's Kappa es_ES
dc.subject Matthews Correlation Coefficient es_ES
dc.subject.classification MAQUINAS Y MOTORES TERMICOS es_ES
dc.subject.other Máster Universitario en Ingeniería Biomédica-Màster Universitari en Enginyeria Biomèdica es_ES
dc.title Desarrollo de un clasificador de modelos óseos con inteligencia artificial mediante PointNet++ y escaneado 3D para el primer banco virtual de tejidos de Europa es_ES
dc.title.alternative Development of a bone model classifier with artificial intelligence using PointNet++ and 3D scanning for the first virtual tissue bank in Europe es_ES
dc.title.alternative Desenvolupament d'un classificador de models ossis amb intel·ligència artificial mitjançant PointNet++ i escaneig 3D per al primer banc virtual de teixits d'Europa 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 Química y Nuclear - Departament d'Enginyeria Química i Nuclear 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 García Sanz, A. (2024). Desarrollo de un clasificador de modelos óseos con inteligencia artificial mediante PointNet++ y escaneado 3D para el primer banco virtual de tejidos de Europa. Universitat Politècnica de València. http://hdl.handle.net/10251/210686 es_ES
dc.description.accrualMethod TFGM es_ES
dc.relation.pasarela TFGM\165946 es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem