Análisis exploratorio de imágenes histopatológicas

Autores
Ricapito, Juan Pablo; Rostagno, Leandro Ariel
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
El análisis de datos utilizados para entrenar modelos de aprendizaje profundo resulta fundamental para comprobar que estos sean una muestra representativa del dominio sobre el cual queremos trabajar. Esto se vuelve aún más necesario en el ámbito de la histopatología digital, donde las imágenes pueden variar por diversos motivos tales como la región de donde fue tomado el tejido, el escáner utilizado o el protocolo de tinción realizado. En este trabajo se presentan 7 métricas que se utilizaron para analizar un dataset de imágenes de tejidos con tumores de diferentes regiones del cuerpo humano, con el objetivo de encontrar diferencias y similitudes entre los diferentes tejidos. Las métricas utilizadas son contraste, entropía, brillo, cantidad de blanco, foco, media y desviación estándar. Los resultados apoyan la idea de utilizar la medida de foco para poder identificar imágenes defectuosas en el dataset.
Fil: Ricapito, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Fil: Rostagno, Leandro Ariel. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Peer Reviewed
Fuente
X Congreso Nacional de Ingeniería Informática / Sistemas de Información
Materia
Image analysis
Machine learning
Deep learning
Matriz de co-ocurrencia
Contraste
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-NoDerivs 2.5 Argentina
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/15567
Acceder
id RIAUTN_ac3d94b92a6028aacc104955d2a3a834
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/15567
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Análisis exploratorio de imágenes histopatológicasRicapito, Juan PabloRostagno, Leandro ArielImage analysisMachine learningDeep learningMatriz de co-ocurrenciaContrasteEl análisis de datos utilizados para entrenar modelos de aprendizaje profundo resulta fundamental para comprobar que estos sean una muestra representativa del dominio sobre el cual queremos trabajar. Esto se vuelve aún más necesario en el ámbito de la histopatología digital, donde las imágenes pueden variar por diversos motivos tales como la región de donde fue tomado el tejido, el escáner utilizado o el protocolo de tinción realizado. En este trabajo se presentan 7 métricas que se utilizaron para analizar un dataset de imágenes de tejidos con tumores de diferentes regiones del cuerpo humano, con el objetivo de encontrar diferencias y similitudes entre los diferentes tejidos. Las métricas utilizadas son contraste, entropía, brillo, cantidad de blanco, foco, media y desviación estándar. Los resultados apoyan la idea de utilizar la medida de foco para poder identificar imágenes defectuosas en el dataset.Fil: Ricapito, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.Fil: Rostagno, Leandro Ariel. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.Peer ReviewedUniversidad Tecnológica Nacional Regional Córdoba.2026-09-14T19:43:48Z2022-11-03info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdf10mo Congreso Nacional de Ingeniería Informática y Sistemas de Información (CoNaIISI)https://hdl.handle.net/20.500.12272/15567https://doi.org/10.33414/ajea.1146.2022X Congreso Nacional de Ingeniería Informática / Sistemas de Informaciónreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacionalspainfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivs 2.5 Argentinahttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/Ricapito, Juan Pablo; Rostagno, Leandro Arielhttps://creativecommons.org/licenses/by-nc-nd/4.0/2026-10-01T12:00:05Zoai:ria.utn.edu.ar:20.500.12272/15567instacron: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:a2026-10-01 12:00:06.389Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Análisis exploratorio de imágenes histopatológicas
title Análisis exploratorio de imágenes histopatológicas
spellingShingle Análisis exploratorio de imágenes histopatológicas
Ricapito, Juan Pablo
Image analysis
Machine learning
Deep learning
Matriz de co-ocurrencia
Contraste
title_short Análisis exploratorio de imágenes histopatológicas
title_full Análisis exploratorio de imágenes histopatológicas
title_fullStr Análisis exploratorio de imágenes histopatológicas
title_full_unstemmed Análisis exploratorio de imágenes histopatológicas
title_sort Análisis exploratorio de imágenes histopatológicas
dc.creator.none.fl_str_mv Ricapito, Juan Pablo
Rostagno, Leandro Ariel
author Ricapito, Juan Pablo
author_facet Ricapito, Juan Pablo
Rostagno, Leandro Ariel
author_role author
author2 Rostagno, Leandro Ariel
author2_role author
dc.subject.none.fl_str_mv Image analysis
Machine learning
Deep learning
Matriz de co-ocurrencia
Contraste
topic Image analysis
Machine learning
Deep learning
Matriz de co-ocurrencia
Contraste
dc.description.none.fl_txt_mv El análisis de datos utilizados para entrenar modelos de aprendizaje profundo resulta fundamental para comprobar que estos sean una muestra representativa del dominio sobre el cual queremos trabajar. Esto se vuelve aún más necesario en el ámbito de la histopatología digital, donde las imágenes pueden variar por diversos motivos tales como la región de donde fue tomado el tejido, el escáner utilizado o el protocolo de tinción realizado. En este trabajo se presentan 7 métricas que se utilizaron para analizar un dataset de imágenes de tejidos con tumores de diferentes regiones del cuerpo humano, con el objetivo de encontrar diferencias y similitudes entre los diferentes tejidos. Las métricas utilizadas son contraste, entropía, brillo, cantidad de blanco, foco, media y desviación estándar. Los resultados apoyan la idea de utilizar la medida de foco para poder identificar imágenes defectuosas en el dataset.
Fil: Ricapito, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Fil: Rostagno, Leandro Ariel. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Peer Reviewed
description El análisis de datos utilizados para entrenar modelos de aprendizaje profundo resulta fundamental para comprobar que estos sean una muestra representativa del dominio sobre el cual queremos trabajar. Esto se vuelve aún más necesario en el ámbito de la histopatología digital, donde las imágenes pueden variar por diversos motivos tales como la región de donde fue tomado el tejido, el escáner utilizado o el protocolo de tinción realizado. En este trabajo se presentan 7 métricas que se utilizaron para analizar un dataset de imágenes de tejidos con tumores de diferentes regiones del cuerpo humano, con el objetivo de encontrar diferencias y similitudes entre los diferentes tejidos. Las métricas utilizadas son contraste, entropía, brillo, cantidad de blanco, foco, media y desviación estándar. Los resultados apoyan la idea de utilizar la medida de foco para poder identificar imágenes defectuosas en el dataset.
publishDate 2022
dc.date.none.fl_str_mv 2022-11-03
2026-09-14T19:43:48Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv 10mo Congreso Nacional de Ingeniería Informática y Sistemas de Información (CoNaIISI)
https://hdl.handle.net/20.500.12272/15567
https://doi.org/10.33414/ajea.1146.2022
identifier_str_mv 10mo Congreso Nacional de Ingeniería Informática y Sistemas de Información (CoNaIISI)
url https://hdl.handle.net/20.500.12272/15567
https://doi.org/10.33414/ajea.1146.2022
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivs 2.5 Argentina
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
Ricapito, Juan Pablo; Rostagno, Leandro Ariel
https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 2.5 Argentina
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
Ricapito, Juan Pablo; Rostagno, Leandro Ariel
https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.none.fl_str_mv pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Tecnológica Nacional Regional Córdoba.
publisher.none.fl_str_mv Universidad Tecnológica Nacional Regional Córdoba.
dc.source.none.fl_str_mv X Congreso Nacional de Ingeniería Informática / Sistemas de Información
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_ 1877862424875368448
score 13.365483

Publicaciones similares