Examinando por Materia "Clasificadores"

Mostrando 1 - 2 de 2
  • Miniatura
    ÍtemAcceso abierto
    Comparación estadística del desempeño de modelos de clasificación: un enfoque tutorial con Python
    (Universidad EIA, 2025) Quintero Zea, Andrés
    RESUMEN: La comparación objetiva del desempeño de clasificadores es fundamental en aplicaciones biomédicas donde las decisiones basadas en modelos tienen consecuencias clínicas. Este artículo presenta un enfoque tutorial para aplicar pruebas estadísticas a la evaluación comparativa de modelos de clasificación, tanto binarios como multiclase. Se revisan métricas comunes, así como pruebas estadísticas paramétricas y no paramétricas. Se incluyen ejemplos reproducibles en Python usando bibliotecas como scikit-learn y SciPy. Este trabajo busca apoyar a investigadores en la toma de decisiones fundamentadas sobre el rendimiento relativo de modelos predictivos.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema Semi - Automático para la Identificación de Trazos de Fracturas de Difícil Visualización a Nivel del Antebrazo a Partir de Imágenes de Rayos X Digitalizadas
    (Universidad EIA, 2017) Ayazo Barón, Emell Jair
    Teniendo en cuenta las altas cargas de trabajo que representa el análisis manual de grandes bancos de imágenes para los radiólogos, y con el fin de aumentar la asertividad en el diagnóstico de fracturas, en este proyecto se implementa en MATLAB® un sistema semiautomático de detección y localización de fracturas de difícil visualización en los huesos del antebrazo, a través del procesamiento de imágenes de rayos X. Basados en que la tendencia en la detección de fracturas se basa en la combinación de clasificadores se diseña un sistema que consta de cuatro procesos principales. Primero se obtiene la imagen en formato DICOM, la cual es convertida en una imagen en escala de grises, que puede ser ajustada cambiándole el nivel de brillo y contraste. En un segundo proceso, a partir de la imagen convertida, son obtenidas las regiones de mayor variación positiva y negativa, marcando los centroides respectivos, y preclasificados a través de reglas de expertos como pertenecientes o no a una fractura. En el tercer proceso, se hace un análisis de los centroides se analizan en pares (positivo y negativo), teniendo en cuenta la distancia, el ángulo y la diferencia de intensidad marcada, clasificados como fractura o no por un sistema de redes neuronales del tipo perceptrón multicapa, y usando la aplicación WEKA® se realiza la validación cruzada del clasificador. Finalmente, se utiliza un sistema de clasificación complementario de reglas de expertos, para corregir los errores causados por el solapamiento entre el cúbito y el radio. El sistema de clasificación en general fue ajustado de acuerdo a múltiples pruebas realizadas, luego de las cuales la detección de las fracturas fue mejorando sustancialmente. Las imágenes se cargan a través de una sencilla interfaz de usuario que permite modificar el nivel de brillo, contraste, umbral de binarización, seleccionar el área de interés y comenzar el proceso de detección. A pesar de las diferentes causas de error en la detección, como el ruido inherente al equipo de rayos X, la morfología tan variada entre los pacientes y el solapamiento de huesos, la propuesta de clasificación de pares de variación positiva y negativa funcionó de forma adecuada. Luego de un correcto entrenamiento y ajuste del sistema de clasificación múltiple con árbol de decisión y redes neuronales, se obtuvo un porciento de clasificación correcta de 90,54%.