Search

[ES] Las aplicaciones de imágenes médicas son interesantes debido a la falta de intervención necesaria, ya que generalmente es un método no invasivo. Nos permiten tener una idea del interior del cuerpo sin preocuparnos por cuestiones como infecciones, tiempo de recuperación, etc. Últimamente, con el aumento de la potencia computacional, cada vez son más populares los métodos de segmentación automática o semiautomática, ya que simplifican la tarea del radiólogo y ayudan a los médicos a tomar decisiones con imágenes de valor añadido. En esta tesis seleccionamos los riñones como el órgano para trabajar. Seleccionamos el método K-means, un algoritmo automático basado en clusterización de las muestras. Se estudiaron 3 volúmenes de 2 pacientes diferentes. Si bien el resultado de las segmentaciones no es óptimo, podemos observar la influencia en el resultado de la segmentación de la cantidad de clústeres arbitrariamente seleccionados y la cantidad de iteraciones (repeticiones) utilizadas. Todo el trabajo analítico fue llevado a cabo en Matlab R2018a. Los resultados mostraron que existe un número variable de grupos donde las 3 partes principales de interés se segmentan óptimamente dependiendo del volumen. Para un volumen mayor necesitaremos una mayor cantidad de clústeres. También vimos que una cantidad baja de conglomerados puede conducir a una discretización deficiente de los diferentes tejidos y una gran cantidad puede llevar a una segmentación excesiva en la que las muestras pertenecientes al mismo grupo se dividen en varios grupos. En cuanto al número de iteraciones, se observó que las iteraciones bajas pueden conducir a segmentaciones no consistentes y, por lo tanto, no se puede asegurar un resultado óptimo. Se encontró que una cantidad de 5 repeticiones / iteraciones es un valor seguro para obtener segmentaciones consistentes., [EN] The medical imaging applications are interesting due to the lack of intervention needed, as it is generally a non-invasive method. They let us have an idea of the interior of the bodies without worrying about issues such as infections, recovering time, etc. Lately with the increase in power of computers, more and more automatic or semiautomatic segmentation methods have become popular as they simplify the task of the radiologist and help doctors take decisions with value added images. In this thesis we selected the kidneys as the organ to work with. We selected the K-means method, an automatic algorithm based on clusterization of the samples. There were studied 3 volumes, the datasets, from 2 different patients. While the result of the segmentations are not optimal, we can observe the influence in the clusterization of the amount of clusters arbitrary selected and the number of iterations (replicates) used. All the analytic work was carried on Matlab R2018a. The results showed that there is variable number of clusters where the 3 main parts of interest are segmented optimally depending on the volume. For a bigger volume we will need a higher number of clusters. Also we saw that a low amount of clusters can lead to a deficient discretization of the different tissues and a high amount can lead to an over segmentation where samples pertaining to the same cluster are split across several clusters. Regarding to the number of replicates, it was observed that low iterations can lead to segmentations not consistent and thus, it cannot be ensured an optimal output. An amount of 5 replicates/iterations was found to be a secure value to obtain consistent clusterizations.

[ES] Las aplicaciones de imágenes médicas son interesantes debido a la falta de intervención necesaria, ya que generalmente es un método no invasivo. Nos permiten tener una idea del interior del cuerpo sin preocuparnos por cuestiones como infecciones, tiempo de recuperación, etc. Últimamente, con el aumento de la potencia computacional, cada vez son más populares los métodos de segmentación automática o semiautomática, ya que simplifican la tarea del radiólogo y ayudan a los médicos a tomar decisiones con imágenes de valor añadido. En esta tesis seleccionamos los riñones como el órgano para trabajar. Seleccionamos el método K-means, un algoritmo automático basado en clusterización de las muestras. Se estudiaron 3 volúmenes de 2 pacientes diferentes. Si bien el resultado de las segmentaciones no es óptimo, podemos observar la influencia en el resultado de la segmentación de la cantidad de clústeres arbitrariamente seleccionados y la cantidad de iteraciones (repeticiones) utilizadas. Todo el trabajo analítico fue llevado a cabo en Matlab R2018a. Los resultados mostraron que existe un número variable de grupos donde las 3 partes principales de interés se segmentan óptimamente dependiendo del volumen. Para un volumen mayor necesitaremos una mayor cantidad de clústeres. También vimos que una cantidad baja de conglomerados puede conducir a una discretización deficiente de los diferentes tejidos y una gran cantidad puede llevar a una segmentación excesiva en la que las muestras pertenecientes al mismo grupo se dividen en varios grupos. En cuanto al número de iteraciones, se observó que las iteraciones bajas pueden conducir a segmentaciones no consistentes y, por lo tanto, no se puede asegurar un resultado óptimo. Se encontró que una cantidad de 5 repeticiones / iteraciones es un valor seguro para obtener segmentaciones consistentes., [EN] The medical imaging applications are interesting due to the lack of intervention needed, as it is generally a non-invasive method. They let us have an idea of the interior of the bodies without worrying about issues such as infections, recovering time, etc. Lately with the increase in power of computers, more and more automatic or semiautomatic segmentation methods have become popular as they simplify the task of the radiologist and help doctors take decisions with value added images. In this thesis we selected the kidneys as the organ to work with. We selected the K-means method, an automatic algorithm based on clusterization of the samples. There were studied 3 volumes, the datasets, from 2 different patients. While the result of the segmentations are not optimal, we can observe the influence in the clusterization of the amount of clusters arbitrary selected and the number of iterations (replicates) used. All the analytic work was carried on Matlab R2018a. The results showed that there is variable number of clusters where the 3 main parts of interest are segmented optimally depending on the volume. For a bigger volume we will need a higher number of clusters. Also we saw that a low amount of clusters can lead to a deficient discretization of the different tissues and a high amount can lead to an over segmentation where samples pertaining to the same cluster are split across several clusters. Regarding to the number of replicates, it was observed that low iterations can lead to segmentations not consistent and thus, it cannot be ensured an optimal output. An amount of 5 replicates/iterations was found to be a secure value to obtain consistent clusterizations.

[ES] Las aplicaciones de imágenes médicas son interesantes debido a la falta de intervención necesaria, ya que generalmente es un método no invasivo. Nos permiten tener una idea del interior del cuerpo sin preocuparnos por cuestiones como infecciones, tiempo de recuperación, etc. Últimamente, con el aumento de la potencia computacional, cada vez son más populares los métodos de segmentación automática o semiautomática, ya que simplifican la tarea del radiólogo y ayudan a los médicos a tomar decisiones con imágenes de valor añadido. En esta tesis seleccionamos los riñones como el órgano para trabajar. Seleccionamos el método K-means, un algoritmo automático basado en clusterización de las muestras. Se estudiaron 3 volúmenes de 2 pacientes diferentes. Si bien el resultado de las segmentaciones no es óptimo, podemos observar la influencia en el resultado de la segmentación de la cantidad de clústeres arbitrariamente seleccionados y la cantidad de iteraciones (repeticiones) utilizadas. Todo el trabajo analítico fue llevado a cabo en Matlab R2018a. Los resultados mostraron que existe un número variable de grupos donde las 3 partes principales de interés se segmentan óptimamente dependiendo del volumen. Para un volumen mayor necesitaremos una mayor cantidad de clústeres. También vimos que una cantidad baja de conglomerados puede conducir a una discretización deficiente de los diferentes tejidos y una gran cantidad puede llevar a una segmentación excesiva en la que las muestras pertenecientes al mismo grupo se dividen en varios grupos. En cuanto al número de iteraciones, se observó que las iteraciones bajas pueden conducir a segmentaciones no consistentes y, por lo tanto, no se puede asegurar un resultado óptimo. Se encontró que una cantidad de 5 repeticiones / iteraciones es un valor seguro para obtener segmentaciones consistentes., [EN] The medical imaging applications are interesting due to the lack of intervention needed, as it is generally a non-invasive method. They let us have an idea of the interior of the bodies without worrying about issues such as infections, recovering time, etc. Lately with the increase in power of computers, more and more automatic or semiautomatic segmentation methods have become popular as they simplify the task of the radiologist and help doctors take decisions with value added images. In this thesis we selected the kidneys as the organ to work with. We selected the K-means method, an automatic algorithm based on clusterization of the samples. There were studied 3 volumes, the datasets, from 2 different patients. While the result of the segmentations are not optimal, we can observe the influence in the clusterization of the amount of clusters arbitrary selected and the number of iterations (replicates) used. All the analytic work was carried on Matlab R2018a. The results showed that there is variable number of clusters where the 3 main parts of interest are segmented optimally depending on the volume. For a bigger volume we will need a higher number of clusters. Also we saw that a low amount of clusters can lead to a deficient discretization of the different tissues and a high amount can lead to an over segmentation where samples pertaining to the same cluster are split across several clusters. Regarding to the number of replicates, it was observed that low iterations can lead to segmentations not consistent and thus, it cannot be ensured an optimal output. An amount of 5 replicates/iterations was found to be a secure value to obtain consistent clusterizations.

[ES] Las aplicaciones de imágenes médicas son interesantes debido a la falta de intervención necesaria, ya que generalmente es un método no invasivo. Nos permiten tener una idea del interior del cuerpo sin preocuparnos por cuestiones como infecciones, tiempo de recuperación, etc. Últimamente, con el aumento de la potencia computacional, cada vez son más populares los métodos de segmentación automática o semiautomática, ya que simplifican la tarea del radiólogo y ayudan a los médicos a tomar decisiones con imágenes de valor añadido. En esta tesis seleccionamos los riñones como el órgano para trabajar. Seleccionamos el método K-means, un algoritmo automático basado en clusterización de las muestras. Se estudiaron 3 volúmenes de 2 pacientes diferentes. Si bien el resultado de las segmentaciones no es óptimo, podemos observar la influencia en el resultado de la segmentación de la cantidad de clústeres arbitrariamente seleccionados y la cantidad de iteraciones (repeticiones) utilizadas. Todo el trabajo analítico fue llevado a cabo en Matlab R2018a. Los resultados mostraron que existe un número variable de grupos donde las 3 partes principales de interés se segmentan óptimamente dependiendo del volumen. Para un volumen mayor necesitaremos una mayor cantidad de clústeres. También vimos que una cantidad baja de conglomerados puede conducir a una discretización deficiente de los diferentes tejidos y una gran cantidad puede llevar a una segmentación excesiva en la que las muestras pertenecientes al mismo grupo se dividen en varios grupos. En cuanto al número de iteraciones, se observó que las iteraciones bajas pueden conducir a segmentaciones no consistentes y, por lo tanto, no se puede asegurar un resultado óptimo. Se encontró que una cantidad de 5 repeticiones / iteraciones es un valor seguro para obtener segmentaciones consistentes., [EN] The medical imaging applications are interesting due to the lack of intervention needed, as it is generally a non-invasive method. They let us have an idea of the interior of the bodies without worrying about issues such as infections, recovering time, etc. Lately with the increase in power of computers, more and more automatic or semiautomatic segmentation methods have become popular as they simplify the task of the radiologist and help doctors take decisions with value added images. In this thesis we selected the kidneys as the organ to work with. We selected the K-means method, an automatic algorithm based on clusterization of the samples. There were studied 3 volumes, the datasets, from 2 different patients. While the result of the segmentations are not optimal, we can observe the influence in the clusterization of the amount of clusters arbitrary selected and the number of iterations (replicates) used. All the analytic work was carried on Matlab R2018a. The results showed that there is variable number of clusters where the 3 main parts of interest are segmented optimally depending on the volume. For a bigger volume we will need a higher number of clusters. Also we saw that a low amount of clusters can lead to a deficient discretization of the different tissues and a high amount can lead to an over segmentation where samples pertaining to the same cluster are split across several clusters. Regarding to the number of replicates, it was observed that low iterations can lead to segmentations not consistent and thus, it cannot be ensured an optimal output. An amount of 5 replicates/iterations was found to be a secure value to obtain consistent clusterizations.