Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering

Descripción del Articulo

En este trabajo se emplea técnicas de Clustering en la segmentación de imágenes médicas digitales para ser utilizadas en la reconstrucción de modelos anatómicos 3D a partir del estándar Digital Images and Comunication in Medicine (DICOM) con el fin de mejorar los resultados reportados en las fuentes...

Descripción completa

Detalles Bibliográficos
Autores: Lorca T., Gustavo, Arzola R., José, Pereira B., Osvaldo
Formato: artículo
Fecha de Publicación:2010
Institución:Universidad Nacional Santiago Antúnez de Mayolo
Repositorio:Revistas - Universidad Nacional Santiago Antunez de Mayolo
Lenguaje:español
OAI Identifier:oai:ojs.192.168.1.71:article/428
Enlace del recurso:http://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/428
Nivel de acceso:acceso abierto
id REVUNASAM_478d08bb945cce50e45f19a87a936793
oai_identifier_str oai:ojs.192.168.1.71:article/428
network_acronym_str REVUNASAM
network_name_str Revistas - Universidad Nacional Santiago Antunez de Mayolo
repository_id_str .
spelling Segmentación de Imágenes Médicas Digitales mediante Técnicas de ClusteringLorca T., GustavoArzola R., JoséPereira B., OsvaldoEn este trabajo se emplea técnicas de Clustering en la segmentación de imágenes médicas digitales para ser utilizadas en la reconstrucción de modelos anatómicos 3D a partir del estándar Digital Images and Comunication in Medicine (DICOM) con el fin de mejorar los resultados reportados en las fuentes bibliográficas. Son expuestos los algoritmos de Clustering Particional implementados y los resultados alcanzados con estos. Se compara entre sí los resultados alcanzados con ayuda de los métodos K-means y Fuzzy K-means y se recomienda procedimientos para la inicialización de los centroides.Universidad Nacional Santiago Antúnez de Mayolo2010-07-19info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttp://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/42810.32911/as.2010.v3.n1.428Aporte Santiaguino; Vol. 3, Núm. 1 (2010): Enero-Junio; pág. 108-1162616-95412070-836Xreponame:Revistas - Universidad Nacional Santiago Antunez de Mayoloinstname:Universidad Nacional Santiago Antúnez de Mayoloinstacron:UNASAMspahttp://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/428/399/*ref*/Acha Pi ñero, B. (Abril de 2002). Segmentación y clasificación ele imágenes en color. Aplicación al diagnóstico de quemaduras. Tesis Doctoral. Sevilla, Sevilla, España: Universidad de Sevilla./*ref*/del Fresno, M., & J Vénere, M. (2002). Segmentación de Imágenes Médicas por Crecimiento de Regiom·s con Conocimiento Adicional. Tirndil, Buenos Aires, Argentina: PLADEMA-ISISTAN, Universidad Naciorial del Centro./*ref*/Jain, A. J., Murty,_ ·M_ N, &. Flynn, P. J. (Septiembre de. l999). Data · Clustering: A. Review. ACM Coniputing Surveys. Vol. 31, No.3./*ref*/Miguel Jimé1wz,' JM. (Marzo de 2008). Introducción al Tratamiento ::Digital, y Clustering de Imágenes. Alcalá, Madrid, España: Departamento de Electrónica, Universidad de Alcalá./*ref*/Oliva i Cuyás, F., de Cáceres Ainsa, M., Font Castell, X., & Cuadras Avellana, C. M. (Noviembre de 2001 ). Contribuciones desde una perspectiva basada en proximidades al Fuzzy K-means Clustering. Jaén, Andalucía, España: XXVI Congreso Nacional de Estadística e Investigación Operativa: Úbedabeda, Universidad de La Rioja, ISBN 84-8439-080-2./*ref*/Ortega, J. A., Foster, W., & Ortega, R. (2002). Definición de Sub-Rodales para una Silvicultura ele Precisión: Una aplicación del método Fuzzy K-means. Santiago, Chile: F acultad ele Agronomía e Ingeniería Forestal, Pontificia Universidad Católica ele Chile, Casilla 306-22./*ref*/Tan, P. N., Steinbach, M., & Kurnar, V. (Marzo ele 2006). lntroduction to Data Mining. Recuperado el 10 de Febrero de 2010. de Addison-Wesley Companion Book Site: http://wwwusers. cs.umn.edu/-kumar-/dmbook/inclex.php/*ref*/Villagra, A., Guzmán, A., Pandolfi, D., & Leguizamón, G. (2008). Análisis ele medidas nosupervisadas ele calidad en clusters obtenidos por K-means y Particle Swarm Optimization. Argentina: Universidad Nacional de la Patagonia Austral, Unidad Académica Caleta Olivia, Universidad Nacional de San Luis, Laboratorio ele Tecnologías Emergentes, Laboratorio ele Investigación y Desarrollo en Inteligencia Computacional.10.32911/as.2010.v3.n1.428.g399info:eu-repo/semantics/openAccessoai:ojs.192.168.1.71:article/4282018-12-04T15:00:41Z
dc.title.none.fl_str_mv Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
title Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
spellingShingle Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
Lorca T., Gustavo
title_short Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
title_full Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
title_fullStr Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
title_full_unstemmed Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
title_sort Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
dc.creator.none.fl_str_mv Lorca T., Gustavo
Arzola R., José
Pereira B., Osvaldo
author Lorca T., Gustavo
author_facet Lorca T., Gustavo
Arzola R., José
Pereira B., Osvaldo
author_role author
author2 Arzola R., José
Pereira B., Osvaldo
author2_role author
author
description En este trabajo se emplea técnicas de Clustering en la segmentación de imágenes médicas digitales para ser utilizadas en la reconstrucción de modelos anatómicos 3D a partir del estándar Digital Images and Comunication in Medicine (DICOM) con el fin de mejorar los resultados reportados en las fuentes bibliográficas. Son expuestos los algoritmos de Clustering Particional implementados y los resultados alcanzados con estos. Se compara entre sí los resultados alcanzados con ayuda de los métodos K-means y Fuzzy K-means y se recomienda procedimientos para la inicialización de los centroides.
publishDate 2010
dc.date.none.fl_str_mv 2010-07-19
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/428
10.32911/as.2010.v3.n1.428
url http://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/428
identifier_str_mv 10.32911/as.2010.v3.n1.428
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv http://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/428/399
/*ref*/Acha Pi ñero, B. (Abril de 2002). Segmentación y clasificación ele imágenes en color. Aplicación al diagnóstico de quemaduras. Tesis Doctoral. Sevilla, Sevilla, España: Universidad de Sevilla.
/*ref*/del Fresno, M., & J Vénere, M. (2002). Segmentación de Imágenes Médicas por Crecimiento de Regiom·s con Conocimiento Adicional. Tirndil, Buenos Aires, Argentina: PLADEMA-ISISTAN, Universidad Naciorial del Centro.
/*ref*/Jain, A. J., Murty,_ ·M_ N, &. Flynn, P. J. (Septiembre de. l999). Data · Clustering: A. Review. ACM Coniputing Surveys. Vol. 31, No.3.
/*ref*/Miguel Jimé1wz,' JM. (Marzo de 2008). Introducción al Tratamiento ::Digital, y Clustering de Imágenes. Alcalá, Madrid, España: Departamento de Electrónica, Universidad de Alcalá.
/*ref*/Oliva i Cuyás, F., de Cáceres Ainsa, M., Font Castell, X., & Cuadras Avellana, C. M. (Noviembre de 2001 ). Contribuciones desde una perspectiva basada en proximidades al Fuzzy K-means Clustering. Jaén, Andalucía, España: XXVI Congreso Nacional de Estadística e Investigación Operativa: Úbedabeda, Universidad de La Rioja, ISBN 84-8439-080-2.
/*ref*/Ortega, J. A., Foster, W., & Ortega, R. (2002). Definición de Sub-Rodales para una Silvicultura ele Precisión: Una aplicación del método Fuzzy K-means. Santiago, Chile: F acultad ele Agronomía e Ingeniería Forestal, Pontificia Universidad Católica ele Chile, Casilla 306-22.
/*ref*/Tan, P. N., Steinbach, M., & Kurnar, V. (Marzo ele 2006). lntroduction to Data Mining. Recuperado el 10 de Febrero de 2010. de Addison-Wesley Companion Book Site: http://wwwusers. cs.umn.edu/-kumar-/dmbook/inclex.php
/*ref*/Villagra, A., Guzmán, A., Pandolfi, D., & Leguizamón, G. (2008). Análisis ele medidas nosupervisadas ele calidad en clusters obtenidos por K-means y Particle Swarm Optimization. Argentina: Universidad Nacional de la Patagonia Austral, Unidad Académica Caleta Olivia, Universidad Nacional de San Luis, Laboratorio ele Tecnologías Emergentes, Laboratorio ele Investigación y Desarrollo en Inteligencia Computacional.
10.32911/as.2010.v3.n1.428.g399
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional Santiago Antúnez de Mayolo
publisher.none.fl_str_mv Universidad Nacional Santiago Antúnez de Mayolo
dc.source.none.fl_str_mv Aporte Santiaguino; Vol. 3, Núm. 1 (2010): Enero-Junio; pág. 108-116
2616-9541
2070-836X
reponame:Revistas - Universidad Nacional Santiago Antunez de Mayolo
instname:Universidad Nacional Santiago Antúnez de Mayolo
instacron:UNASAM
instname_str Universidad Nacional Santiago Antúnez de Mayolo
instacron_str UNASAM
institution UNASAM
reponame_str Revistas - Universidad Nacional Santiago Antunez de Mayolo
collection Revistas - Universidad Nacional Santiago Antunez de Mayolo
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1769147486630313984
score 13.957005
Segmentación de Imágenes Médicas Digitales mediante Técnicas de Clustering
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares