Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12008/35868
Cómo citar
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Rodríguez Bocca, Pablo | - |
dc.contributor.author | Volti Diano, Sebastián | - |
dc.contributor.author | Sierra Lima, Agustina | - |
dc.date.accessioned | 2023-02-10T15:24:10Z | - |
dc.date.available | 2023-02-10T15:24:10Z | - |
dc.date.issued | 2022 | - |
dc.identifier.citation | Volti Diano, S. y Sierra Lima, A. Diagnóstico del trastorno depresivo mayor (MDD) utilizando imágenes de resonancias magnéticas funcionales (fMRI) y aprendizaje automático [en línea] Tesis de grado. Montevideo : Udelar. FI. INCO, 2022. | es |
dc.identifier.uri | https://hdl.handle.net/20.500.12008/35868 | - |
dc.description.abstract | En este trabajo estudiamos el trastorno depresivo mayor a través de imágenes de resonancia magnéticas de distintos pacientes, capturadas con el individuo en total estado de reposo. Buscamos encontrar una metodología que ayude a la predicción del trastorno, a partir de la actividad cerebral entre distintas regiones del cerebro. Evaluamos distintos modelos de aprendizaje automático supervisado, trabajando con diferentes agrupaciones de predictores, con el fin de caracterizar a cada individuo de la mejor manera posible, construyendo grafos y explotando sus propiedades, cálculos de correlación, matrices, etc. Los métodos que presentaron mejores resultados fueron los basados en el clasificador Random Forest, construyendo árboles de decisión a partir de los atributos de cada individuo, obteniendo un grafo para cada paciente a partir de su resonancia magnética, y utilizando métricas globales de la red, funciones de correlación adecuadas, y también atributos demográficos de cada paciente. Se alcanzaron resultados que superan el 70 % de precisión en todas las métricas utilizadas para medir la perfomance de nuestros modelos, tanto en accuracy, recall, precision y f1-score. Utilizamos un conjunto de datos de magnitud considerablemente grande para esta temática (más de 2400 pacientes), analizado en la actualidad por diversos artículos científicos. Logramos buenos resultados a pesar de trabajar con un universo de pacientes grande y heterogéneo, donde habitualmente la mayoría de los artículos científicos que trabajan en esta temática, suelen perder bastante precisión, y se limitan a trabajar con un universo de pacientes reducido. | es |
dc.format.extent | 71 p. | es |
dc.format.mimetype | application/pdf | es |
dc.language.iso | es | es |
dc.publisher | Udelar.FI | es |
dc.rights | Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014) | es |
dc.title | Diagnóstico del Trastorno depresivo mayor (MDD) utilizando imágenes de resonancias magnéticas funcionales (fMRI) y aprendizaje automático | es |
dc.type | Tesis de grado | es |
dc.contributor.filiacion | Volti Diano Sebastián, Universidad de la República (Uruguay). Facultad de Ingeniería | - |
dc.contributor.filiacion | Sierra Lima Agustina, Universidad de la República (Uruguay). Facultad de Ingeniería | - |
thesis.degree.grantor | Universidad de la República (Uruguay). Facultad de Ingeniería | es |
thesis.degree.name | Ingeniero en Computación | es |
dc.rights.licence | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) | es |
Aparece en las colecciones: | Tesis de grado - Instituto de Computación |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | ||
---|---|---|---|---|---|
VS22.pdf | Tesis de grado | 37,26 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons