Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Diseño E Implementación De Un Sistema De Apoyo Diagnóstico Para El Síndrome De Ehlers-Danlos Tipo Hipermóvil Usando Visión Artificial

Diseño E Implementación De Un Sistema De Apoyo Diagnóstico Para El Síndrome De Ehlers-Danlos Tipo Hipermóvil Usando Visión Artificial



Abrir | Descargar

Cómo citar
Moreno Rozo, J. A., Niño Ruiz, D. A., & Duque Suarez, O. M. (2021). Diseño E Implementación De Un Sistema De Apoyo Diagnóstico Para El Síndrome De Ehlers-Danlos Tipo Hipermóvil Usando Visión Artificial. Ingeniería E Innovación. https://doi.org/10.21897/23460466.2638

Dimensions
PlumX
Jessica Andrea Moreno Rozo
Diego Aldemar Niño Ruiz
Oscar Manuel Duque Suarez

El presente proyecto consiste en el diseño e implementación de un sistema de apoyo diagnóstico para el Síndrome de Ehlers-Danlos tipo hipermóvil, para esto se llevó a cabo una recopilación teórica previa sobre las distintas manifestaciones fenotípicas presentes en este, permitiendo obtener las bases para realizar el análisis correcto del paciente, se optó por dividir el sistema en dos fases: facial y corporal haciendo uso de las redes neuronales convolucionales, para la parte facial se realizó el entrenamiento de cero, y para la parte corporal se aplicaron redes pre-entrenadas en el Framework Caffe. Una vez realizada la toma haciendo uso de las instrucciones suministradas en la interfaz, el sistema generará un informe donde estará almacenados los resultados obtenidos por el programa y dentro de este una vista de las imágenes tomadas con el fin de complementar y facilitar el diagnostico final que será dado por el médico encargado.


Visitas del artículo 310 | Visitas PDF


Descargas

Los datos de descarga todavía no están disponibles.

[1]. Acodigo. (9 de Noviembre de 2017). Face Landmarks Detector con Dlib y OpenCV. Obtenido de http://acodigo.blogspot.com/2017/11/face-landmarks-detector-con-dlib-y.html

[2]. BRAVENT. (s.f.). REDES NEURONALES CONVOLUCIONALES EN EL RECONOCIMIENTO DE IMÁGENES. (https://www.bravent.net) Obtenido de https://www.bravent.net/redes-neuronales-convolucionales-en-el-reconocimiento-de-imagenes

[3]. Cerón y J. Quintero. “Línea de tiempo de la evolución de los MOOC”, en Ingeniería E Innovación, vol. 6, núm. 1, pp. 40-46, 2019 [en línea]. Disponible en: https://doi.org/10.21897/23460466.1546

[4]. FERNÁNDEZ SAMACÁ, L. , MESA MESA, L. A., & PÉREZ HOLGUÍN, W. J.. (2020). Investigación formativa para estudiantes de ingeniería utilizando robótica. Revista Colombiana de Tecnologías de Avanzada, 2(28), 30-38. https://doi.org/10.24054/16927257.v28.n28.2016.203

[5]. BRAVO SILVA, J. (9 de Marzo de 2017). Criterios para el diagnóstico del Síndrome de Hiperlaxitud Articular (SHA). Obtenido de http://www.reumatologia-dr-bravo.cl/crit%20y%20diag/CritDiagSHA.htm#:~:text=Score%20de%20Beighton,1.

[6]. BRAVO, J. (2012). Criterio de Brighton para el diagnóstico del. Obtenido de http://www.reumatologia-dr-bravo.cl/wp-content/uploads/2012/12/Criterios-de-Brighton-y-Beighton-.pdf

[7]. CALVO, D. (20 de Julio de 2017). Red Neuronal Convolucional CNN. Obtenido de http://www.diegocalvo.es/red-neuronal-convolucional/

[8]. CASADIEGO SAC, RONDÓN CVN. Caracterización para la ubicación en la captura de video aplicado a técnicas de visión artificial en la detección de personas Revista Tecnologias de Avanzada - Uipamplona - Journal 2020 ISSN: 1692-7257 - Vol2 – N 36 – 2020

[9]. NIÑO RONDÓN, CV, CASTRO CASADIEGO S. A & MEDINA DELGADO, B. (2020). Caracterización para la ubicación en la captura de video aplicado a técnicas de visión artificial en la detección de personas. Revista Colombiana de Tecnologías de Avanzada, 2(36), 83-88. https://doi.org/10.24054/16927257.v36.n36.2020.24

[10]. GARCÍA EDL, PLATA JLL. Revisión de técnicas de sistemas de visión artificial para la inspección de procesos de soldadura tipo GMAW Revista Tecnologias de Avanzada - Uipamplona - Journal 2017 ISSN: 1692-7257 - Vol 1 – N 29 - 2017.

[11]. OSPINA TORO, D, TORO OCAMPO, EM, & GALLEGO RENDÓN, RA. (2020). Solución del MDVRP usando el algoritmo de búsqueda local iterada. Revista Colombiana de Tecnologías de Avanzada, 1(31), 120-127. https://doi.org/10.24054/16927257.v31.n31.2018.139

[12]. GUPTA, V. (29 de Mayo de 2018). Deep Learning based Human Pose Estimation using OpenCV. Obtenido de https://www.learnopencv.com/deep-learning-based-human-pose-estimation-using-opencv-cpp-python/?fbclid=IwAR2iz8w70hJlN5ajZ2Ug_Nuiekd6SvvY-6bb6vQBP8QdF8q7Y365DnoWAlQ.

[13]. LAMBRAÑO GARCÍA, ED, LÁZARO PLATA, J. L., & TRIGOS QUINTERO, A. E. (2020). Revisión de técnicas de sistemas de visión artificial para la inspección de procesos de soldadura TIPO GMAW. Revista Colombiana de Tecnologías de Avanzada, 1(29), 47-57. https://doi.org/10.24054/16927257.v29.n29.2017.189

[14]. ROSADO GÓMEZ, A. A, & VERJEL IBÁÑEZ, A. (2020). Aplicación de la minería de datos en la educación en línea. Revista colombiana de tecnologías de avanzada, 1(29), 92-98. https://doi.org/10.24054/16927257.v29.n29.2017.194

[15]. PARDO, C. J. (s.f.). Deep Learning + Estimación de postura de la Mano. Obtenido de https://carlosjuliopardoblog.wordpress.com/2019


Sistema OJS 3.4.0.3 - Metabiblioteca |