Search

Este trabajo fin de grado se enmarca en el estudio de la biomecánica a nivel deportivo. Concretamente, el tema se centra en la carrera, cómo se comporta el cuerpo a nivel biomecánico y así estudiar mejoras que permitan aumentar el rendimiento. Para el TFG se utilizarán datos de cámaras y algoritmos de visión por computador para analizar ese movimiento y poder ser de ayuda a expertos en la toma de decisiones.

En el presente proyecto se llevará a cabo el estudio e implantación de un sistema ERP a través del software libre Odoo en el entorno real de una pequeña empresa minorista asentada en el sector industrial. Se estudiará el origen y evolución de los sistemas de gestión y planificación empresarial (ERP), así como la situación de las pequeñas y medianas empresas a nivel nacional e internacional en cuanto a la adopción de esta tecnología; se detallarán cuáles son las etapas del proceso de implementación: desde la selección del software más adecuado en base a las necesidades de la organización hasta su instalación y configuración, para posteriormente analizar los resultados obtenidos descubriendo si se han logrado mejorar y explotar los mecanismos de negocio de la compañía.

Overexploitation of fisheries is a worldwide problem, which is leading to a large loss of diversity, and affects human communities indirectly through the loss of traditional jobs, cultural heritage, etc. To address this issue, governments have started accumulating data on fishing activities, to determine biomass extraction rates, and fisheries status. However, these data are often estimated from small samplings, which can lead to partially inaccurate assessments. Fishing can also benefit of the digitization process that many industries are undergoing. Wholesale fish markets, where vessels disembark, can be the point of contact to retrieve valuable information on biomass extraction rates, and can do so automatically. Fine-grained knowledge about the fish species, quantities, sizes, etc. that are caught can be therefore very valuable to all stakeholders, and particularly decision-makers regarding fisheries conservation, sustainable, and long-term exploitation. In this regard, this article presents a full workflow for fish instance segmentation, species classification, and size estimation from uncalibrated images of fish trays at the fish market, in order to automate information extraction that can be helpful in such scenarios. Our results on fish instance segmentation and species classification show an overall mean average precision (mAP) at 50% intersection-over-union (IoU) of 70.42%, while fish size estimation shows a mean average error (MAE) of only 1.27 cm.

En este trabajo de fin de grado se estudiará e implementará un sistema de ayuda a la conducción en motocicletas mediante visión por computador y machine learning. Para la percepción del entorno se utilizarán datos 360 grados que permiten ver de forma simultánea todo el entorno de la motocicleta. Se realizará un planteamiento general, y se abordará una problemática concreta como la detección de vehículos cercanos a la moto.

La detección temprana y precisa de tumores cerebrales es crucial para el tratamiento efectivo y la mejora del pronóstico de los pacientes. La automatización de la segmentación de tumores cerebrales a través de la inteligencia artificial reduce el tiempo de análisis y la carga de trabajo de los radiólogos, permitiéndoles concentrarse en interpretar los resultados y proporcionar tratamientos personalizados y oportunos. La precisión y eficiencia logradas a través de estos enfoques permiten obtener una comprensión más detallada y rápida de los casos clínicos, lo que facilita una toma de decisiones más informada. La segmentación multimodal de tumores cerebrales representa un desafío en el campo de la inteligencia artificial aplicada a la neuroimagen médica. El desafío de BRATS es una competencia de referencia que impulsa el desarrollo de algoritmos avanzados para la detección y delimitación precisa de tumores cerebrales en imágenes de resonancia magnética (MRI). Los enfoques más exitosos en el desafío BRATS se basan en redes neuronales convolucionales (CNN) y utilizan arquitecturas como U-Net, FCN (Fully Convolutional Network) y DeepMedic. En nuestro caso se ha utilizado una red 3D U-Net. La métrica utilizada para evaluar la precisión de la segmentación de tumores cerebrales en este trabajo ha sido el Índice de Jaccard, también conocido como IoU (Intersection over Union). En este caso, los resultados obtenidos mediante IoU son de 0.835, lo que indica que el modelo alcanza un nivel de precisión bastante alto. Esta puntuación demuestra que el enfoque de segmentación multimodal basado en redes neuronales convolucionales (CNN) utilizado ha logrado resultados prometedores para esta tarea.

La tractografía es una técnica de imagen médica que permite visualizar y mapear las fibras nerviosas del cerebro utilizando imágenes de resonancia magnética por difusión. Esta técnica ha mejorado la comprensión de las conexiones neuronales y su relación con diversas patologías neurológicas y trastornos psicológicos. La segmentación de tractografías en tractos específicos es un proceso complejo debido a la variabilidad anatómica del cerebro y tradicionalmente se realizaba de forma manual o semi-automática, con desventajas como el alto consumo de tiempo y la generación de falsos positivos. Los algoritmos y métodos de machine learning, y concretamente deep learning, han mostrado grandes capacidades en tareas similares en otros campos. Este TFG se centra en estudiar e implementar técnicas basadas en deep learning para poder distinguir tractos específicos con el propósito de su análisis posterior. Concretamnte, se ha probado el enfoque de DeepWMA y su aplicación en modelos de deep learning más modernos utilizando el conjunto de datos Tractoinferno, una base de datos amplia y robusta. Los resultados obtenidos han sido notables, demostrando su adecuación y potencial para su uso en aplicaciones clínicas.

Hoy en día, la Inteligencia Artificial está en boca de todos y ha revolucionado muchos sectores. La irrupción de la Inteligencia Artificial en el ámbito sanitario ha modificado significativamente la manera en la que se llevaban a cabo numerosos procesos. El diagnóstico y el tratamiento de numerosas patologías y/o enfermedades se han visto transformados por la IA, en particular por el aprendizaje automático. Las imágenes médicas son el pilar fundamental en el que se basan numerosos diagnósticos de patologías de la columna vertebral. La radiografía y en particular la tomografía computarizada, por el alto nivel de detalle que proporciona, ofrecen imágenes de la anatomía interna de los pacientes que resultan particularmente útiles para identificar y evaluar condiciones complejas de la columna vertebral. De todas las afecciones relacionadas con la columna vertebral, en este Trabajo de Fin de Grado se escogió la escoliosis como objeto de estudio debido a su elevada prevalencia, especialmente en niños y adolescentes. Esta patología se caracteriza por una curvatura lateral anormal de la columna vertebral. El diagnóstico temprano y preciso de la escoliosis y la identificación de la localización y el grado de la curvatura es crucial para un tratamiento efectivo. Tradicionalmente la evaluación de la escoliosis se realiza mediante un examen visual de las radiografías, lo cual puede ser subjetivo y dependiente de la experiencia del profesional sanitario. En el presente trabajo se pretende introducir técnicas de aprendizaje automático que ayuden a mejorar el diagnóstico de la escoliosis. Las técnicas de aprendizaje automático permiten desarrollar modelos y algoritmos capaces de detectar y segmentar la columna vertebral en imágenes de tomografía computarizada. Estos modelos son capaces de reconocer características y patrones específicos en las imágenes, lo cual permite separar la estructura anatómica deseada del resto de la imagen. Un sistema automatizado que permita segmentar la

Medical image datasets are essential for training models used in computer-aided diagnosis, treatment planning, and medical research. However, some challenges are associated with these datasets, including variability in data distribution, data scarcity, and transfer learning issues when using models pre-trained from generic images. This work studies the effect of these challenges at the intra- and inter-domain level in few-shot learning scenarios with severe data imbalance. For this, we propose a methodology based on Siamese neural networks in which a series of techniques are integrated to mitigate the effects of data scarcity and distribution imbalance. Specifically, different initialization and data augmentation methods are analyzed, and four adaptations to Siamese networks of solutions to deal with imbalanced data are introduced, including data balancing and weighted loss, both separately and combined, and with a different balance of pairing ratios. Moreover, we also assess the inference process considering four classifiers, namely Histogram, kNN, SVM, and Random Forest. Evaluation is performed on three chest X-ray datasets with annotated cases of both positive and negative COVID-19 diagnoses. The accuracy of each technique proposed for the Siamese architecture is analyzed separately. The results are compared to those obtained using equivalent methods on a state-of-the-art CNN, achieving an average F1 improvement of up to 3.6%, and up to 5.6% of F1 for intra-domain cases. We conclude that the introduced techniques offer promising improvements over the baseline in almost all cases and that the technique selection may vary depending on the amount of data available and the level of imbalance.

El cáncer de pulmón es una de las principales causas de muerte a nivel mundial, lo cual destaca la importancia de desarrollar técnicas de detección temprana y precisas. En este proyecto, se proponen dos enfoques innovadores para el diagnóstico del cáncer de pulmón mediante la segmentación de imágenes médicas. En primer lugar, se utiliza una estrategia de segmentación binaria bidimensional, utilizando las tomografías computarizadas que se dividen en múltiples capas 2D. Se desarrollan dos modelos separados: uno para la segmentación de los pulmones y otro para la segmentación de los tumores pulmonares. La decisión de crear modelos separados se basa en la falta de un conjunto de datos que contenga ambos objetos segmentados. Después del entrenamiento de estos modelos, se combinan las máscaras resultantes de todas las capas y casos disponibles, generando así un conjunto de datos de modelos 3D, que contiene ambos objetos segmentados. Esta representación tridimensional permite una visualización detallada de los objetos en un espacio 3D, mejorando la comprensión y detección de anomalías. Además, permite el desarrollo de otros modelos de inteligencia artificial para el problema en cuestión. Por otro lado, se implementará una segmentación multi-clase tridimensional haciendo uso del conjunto de datos generado a partir de las máscaras de segmentación binaria 2D. Este enfoque permite la identificación y clasificación precisa de tejidos y estructuras pulmonares en imágenes tridimensionales, lo que facilita el análisis y diagnóstico del cáncer de pulmón. Este proyecto pretende sentar las bases para futuras investigaciones en el campo de la imagen médica y la inteligencia artificial aplicada a la medicina. Se espera que los hallazgos y metodologías desarrolladas en este proyecto contribuyan de manera significativa a la mejora de la atención médica y la calidad de vida de los pacientes con cáncer de pulmón.

La tractografía es una técnica de imagen médica que permite el estudio de la conectividad neurológica. Se aplica al estudio de alteraciones en la conectividad asociadas a enfermedades neurodegenerativas, accidentes cerebrovasculares y en la planificación de neurocirugías. Esta técnica emplea datos de resonancia magnética ponderada en difusión para reconstruir los tractos de sustancia blanca que conforman el cerebro. Actualmente, cuando se desea examinar una región específica, se realiza un proceso llamado disección virtual. Este proceso implica la selección manual de las fibras nerviosas de interés y requiere una considerable cantidad de tiempo, así como un alto grado de conocimiento de la anatomía cerebral. Los avances recientes en técnicas de visión por computadora y aprendizaje automático en el ámbito de la imagen médica han permitido el desarrollo de modelos con alta precisión en tareas de segmentación de imágenes. Este TFG propone una técnica novedosa para la automatización de este proceso, reduciendo así el tiempo requerido y la necesidad de experiencia extensa en neuroanatomía. Concretamente, se ha implementado una 3D UNet que aprovecha la información espacial de las resonancias magnéticas para mejorar la segmentación de los tractos nerviosos, propuesta que ha sido aceptada para una publicación científica. Además, se ha realizado un estudio de los principales enfoques propuestos desde el ámbito del aprendizaje automático para la resolución de esta tarea.

Preserving maritime ecosystems is a major concern for governments and administrations. Additionally, improving fishing industry processes, as well as that of fish markets, to have a more precise evaluation of the captures, will lead to a better control on the fish stocks. Many automated fish species classification and size estimation proposals have appeared in recent years, however, they require data to train and evaluate their performance. Furthermore, this data needs to be organized and labelled. This paper presents a dataset of images of fish trays from a local wholesale fish market. It includes pixel-wise (mask) labelled specimens, along with species information, and different size measurements. A total of 1,291 labelled images were collected, including 7,339 specimens of 59 different species (in 60 different class labels). This dataset can be of interest to evaluate the performance of novel fish instance segmentation and/or size estimation methods, which are key for systems aimed at the automated control of stocks exploitation, and therefore have a beneficial impact on fish populations in the long run.

La necesidad de mejorar el proceso de enseñanza-aprendizaje se hace crítica cuando se trata del estudiantado de primer curso en los grados. Este sector estudiantil es, generalmente, en el que se produce una tasa mayor de abandono y, por tanto, es en él donde se deben realizar tantos esfuerzos como se requieran con el fin de aumentar la motivación. En el caso de estudio analizado en este trabajo, se cuenta con un grupo en el Primer Curso del Grado en Ingeniería Informática. Concretamente, tomando en consideración la asignatura Fundamentos de Computadores, se cuenta con una característica adicional del grupo, que consiste en que la sesión de teoría y la de prácticas se concentran en la misma aula y en una franja horaria integrada para ambos apartados docentes. Esta configuración es muy apropiada para implantar en dicha asignatura una metodología de clase invertida (flipped classroom), en la que la estructura del proceso de aprendizaje sufre una profunda transformación. Esta metodología, relativamente novedosa, se contrapone al esquema tradicional consistente en la impartición de una clase teórica (magistral). El aprendizaje se inicia en casa: el/la estudiante toma como referencia el material audiovisual o los enlaces que son suministrados por el profesor y, posteriormente, es el/la docente quien promueve actividades en el aula para consolidar los conocimientos adquiridos en casa. De esta forma, se facilitan y potencian otros procesos de adquisición y práctica de conocimientos dentro del aula que resultan más complejos. La aplicación de la metodología de la clase invertida en Fundamentos de Computadores se orienta a la mejora de los resultados académicos del estudiantado a través del aumento de su motivación. Otro de los objetivos, no menos importante, consiste en integrar los conceptos teóricos con su aplicación práctica. La investigación desarrollada se realizó en varias etapas. En primer lugar, se analizaron las características del grupo de estudiantes sobre el que

Desde la Universidad de Alicante se promueve la implantación de estrategias de enseñanza-aprendizaje centradas en los estudiantes, en las que se refuerza el carácter activo del estudiantado. En el Grado en Ingeniería Informática, se imparte la asignatura Fundamentos de Computadores que resulta apropiada para ser impartida mediante una metodología de clase invertida (flipped classroom). Esta metodología se contrapone al esquema tradicional caracterizado por la impartición de clases teóricas magistrales. El objetivo principal de la propuesta consistió en implementar esta nueva metodología para aumentar el interés del estudiante por la asignatura y su rendimiento académico. Para ello, se concibió el rediseño completo de la clase tradicional haciendo que la adquisición de conocimientos se iniciara en casa, a través del visionado de píldoras educativas. Además, se diseñó un proyecto práctico integral que quedó imbuido tanto en las clases teóricas como en las sesiones prácticas. Se compararon los resultados académicos del grupo en el que se utilizó la clase invertida con otros grupos control que adoptaron una metodología de aprendizaje tradicional. Los resultados indican que la propuesta de clase invertida ha logrado aumentar notablemente el rendimiento académico del grupo experimental que se ha traducido en una comprensión más profunda de los conceptos teóricos de la asignatura, así como inspirar una alta motivación en el estudiantado.

Currently, the ability to automatically detect human behavior in image sequences is one of the most important challenges in the area of computer vision. Within this broad field of knowledge, the recognition of activities of people groups in public areas is receiving special attention due to its importance in many aspects including safety and security. This paper proposes a generic computer vision architecture with the ability to learn and recognize different group activities using mainly the local group’s movements. Specifically, a multi-stream deep learning architecture is proposed whose two main streams correspond to a representation based on a descriptor capable of representing the trajectory information of a sequence of images as a collection of local movements that occur in specific regions of the scene. Additional information (e.g. location, time, etc.) to strengthen the classification of activities by including it as additional streams. The proposed architecture is capable of classifying in a robust way different activities of a group as well to deal with the one-class problems. Moreover, the use of a simple descriptor that transforms a sequence of color images into a sequence of two-image streams can reduce the curse of dimensionality using a deep learning approach. The generic deep learning architecture has been evaluated with different datasets outperforming the state-of-the-art approaches providing an efficient architecture for single and multi-class classification problems.