Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.

Autores
Navarro, Juan Pablo
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Delrieux, Pablo
González-José, Rolando
Descripción
El uso de escáneres ·D para capturar información sobre la forma del cuerpo humano está creciendo rápidamente y no sólo se limita a estudios ergonómicos o de diseño, si no que también resulta de interés para aplicaciones relacionadas con la salud. Para ello, contar con herramientas que nos permitan obtener automáticamente representaciones de características relevantes es un paso crucial. Éstas representan una característica esencial durante la medición e interpretación de los datos, tanto para realizar diversos análisis (por ejemplo el somatotipo o estudio de porcentaje y distribución del tejido adiposo), como para el diagnóstico apropiado de condiciones médicas (evaluación del sobrepeso, detección de malformaciones, etc). La presente tesis se centra en el estudio de la forma corporal, y cómo utilizando las técnicas de Machine Learning y Deep Learning, se pueden encontrar de manera automática mejores representaciones geométricas a fenotipos estudiados en el campo de la antropología. Se presenta el desarrollo y validación de distintos tipos de descriptores junto con el procesamiento para extraerlos y utilizarlos en la prácticas. Los resultados indican que los indicadores de forma no sólo predicen bien los marcadores clásicos, si no que permiten la aplicación de más indicadores que reflejan con mayor precisión el fenotipo en estudio.
Fil: Navarro, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Escuela de Posgrado; Argentina.
Materia
Fenotipo
Aprendizaje de máquina
Aprendizaje profundo
Forma corporal
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2022-04-12T17:48:05Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/6142
Acceder
id RIAUTN_37f7063eabcfc8dbfa8b7681e556ef0a
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/6142
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.Navarro, Juan PabloFenotipoAprendizaje de máquinaAprendizaje profundoForma corporalEl uso de escáneres ·D para capturar información sobre la forma del cuerpo humano está creciendo rápidamente y no sólo se limita a estudios ergonómicos o de diseño, si no que también resulta de interés para aplicaciones relacionadas con la salud. Para ello, contar con herramientas que nos permitan obtener automáticamente representaciones de características relevantes es un paso crucial. Éstas representan una característica esencial durante la medición e interpretación de los datos, tanto para realizar diversos análisis (por ejemplo el somatotipo o estudio de porcentaje y distribución del tejido adiposo), como para el diagnóstico apropiado de condiciones médicas (evaluación del sobrepeso, detección de malformaciones, etc). La presente tesis se centra en el estudio de la forma corporal, y cómo utilizando las técnicas de Machine Learning y Deep Learning, se pueden encontrar de manera automática mejores representaciones geométricas a fenotipos estudiados en el campo de la antropología. Se presenta el desarrollo y validación de distintos tipos de descriptores junto con el procesamiento para extraerlos y utilizarlos en la prácticas. Los resultados indican que los indicadores de forma no sólo predicen bien los marcadores clásicos, si no que permiten la aplicación de más indicadores que reflejan con mayor precisión el fenotipo en estudio.Fil: Navarro, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Escuela de Posgrado; Argentina.Escuela de Posgrado - UTN FRBADelrieux, PabloGonzález-José, Rolando2022-04-12T17:48:05Z2022-04-12T17:48:05Z2021-05-21info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralplainapplication/pdfhttp://hdl.handle.net/20.500.12272/6142spainfo:eu-repo/semantics/openAccess2022-04-12T17:48:05Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 InternacionalFacultad Regional Buenos Aires. Universidad Tecnológica NacionalAtribución – No Comercial – Compartir Igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:47:41Zoai:ria.utn.edu.ar:20.500.12272/6142instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:47:43.322Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.
title Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.
spellingShingle Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.
Navarro, Juan Pablo
Fenotipo
Aprendizaje de máquina
Aprendizaje profundo
Forma corporal
title_short Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.
title_full Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.
title_fullStr Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.
title_full_unstemmed Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.
title_sort Algoritmos de alta eficiencia para el fenotipado automático: aplicaciones en reconstrucción morfométrica 3D, medicina y ciencia forense.
dc.creator.none.fl_str_mv Navarro, Juan Pablo
author Navarro, Juan Pablo
author_facet Navarro, Juan Pablo
author_role author
dc.contributor.none.fl_str_mv Delrieux, Pablo
González-José, Rolando
dc.subject.none.fl_str_mv Fenotipo
Aprendizaje de máquina
Aprendizaje profundo
Forma corporal
topic Fenotipo
Aprendizaje de máquina
Aprendizaje profundo
Forma corporal
dc.description.none.fl_txt_mv El uso de escáneres ·D para capturar información sobre la forma del cuerpo humano está creciendo rápidamente y no sólo se limita a estudios ergonómicos o de diseño, si no que también resulta de interés para aplicaciones relacionadas con la salud. Para ello, contar con herramientas que nos permitan obtener automáticamente representaciones de características relevantes es un paso crucial. Éstas representan una característica esencial durante la medición e interpretación de los datos, tanto para realizar diversos análisis (por ejemplo el somatotipo o estudio de porcentaje y distribución del tejido adiposo), como para el diagnóstico apropiado de condiciones médicas (evaluación del sobrepeso, detección de malformaciones, etc). La presente tesis se centra en el estudio de la forma corporal, y cómo utilizando las técnicas de Machine Learning y Deep Learning, se pueden encontrar de manera automática mejores representaciones geométricas a fenotipos estudiados en el campo de la antropología. Se presenta el desarrollo y validación de distintos tipos de descriptores junto con el procesamiento para extraerlos y utilizarlos en la prácticas. Los resultados indican que los indicadores de forma no sólo predicen bien los marcadores clásicos, si no que permiten la aplicación de más indicadores que reflejan con mayor precisión el fenotipo en estudio.
Fil: Navarro, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Escuela de Posgrado; Argentina.
description El uso de escáneres ·D para capturar información sobre la forma del cuerpo humano está creciendo rápidamente y no sólo se limita a estudios ergonómicos o de diseño, si no que también resulta de interés para aplicaciones relacionadas con la salud. Para ello, contar con herramientas que nos permitan obtener automáticamente representaciones de características relevantes es un paso crucial. Éstas representan una característica esencial durante la medición e interpretación de los datos, tanto para realizar diversos análisis (por ejemplo el somatotipo o estudio de porcentaje y distribución del tejido adiposo), como para el diagnóstico apropiado de condiciones médicas (evaluación del sobrepeso, detección de malformaciones, etc). La presente tesis se centra en el estudio de la forma corporal, y cómo utilizando las técnicas de Machine Learning y Deep Learning, se pueden encontrar de manera automática mejores representaciones geométricas a fenotipos estudiados en el campo de la antropología. Se presenta el desarrollo y validación de distintos tipos de descriptores junto con el procesamiento para extraerlos y utilizarlos en la prácticas. Los resultados indican que los indicadores de forma no sólo predicen bien los marcadores clásicos, si no que permiten la aplicación de más indicadores que reflejan con mayor precisión el fenotipo en estudio.
publishDate 2021
dc.date.none.fl_str_mv 2021-05-21
2022-04-12T17:48:05Z
2022-04-12T17:48:05Z
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12272/6142
url http://hdl.handle.net/20.500.12272/6142
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2022-04-12T17:48:05Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Facultad Regional Buenos Aires. Universidad Tecnológica Nacional
Atribución – No Comercial – Compartir Igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
eu_rights_str_mv openAccess
rights_invalid_str_mv 2022-04-12T17:48:05Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Facultad Regional Buenos Aires. Universidad Tecnológica Nacional
Atribución – No Comercial – Compartir Igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
dc.format.none.fl_str_mv plain
application/pdf
dc.publisher.none.fl_str_mv Escuela de Posgrado - UTN FRBA
publisher.none.fl_str_mv Escuela de Posgrado - UTN FRBA
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230946355249152
score 13.24418

Publicaciones similares