Facultad de Ciencias

URI permanente para esta comunidad

http://dspace7uv.opengeek.cl/handle/uvscl/241

Examinar

Examinando Facultad de Ciencias por Autor "Advisor: Nicolis, Orietta"

Mostrando 1 - 1 de 1
  • Miniatura
    Ítem
    Statistical discrimination between mammary cancer and mastopathy
    (Universidad de Valparaíso, 2019-01) Londoño Londoño, Diana; Supervisor: Sthelík, Milan; Advisor: Nicolis, Orietta
    El enfoque principal de esta tesis es la discriminación entre tejidos mamarios cancerosos y tejidos mastopáticos, que son alteraciones benignas y malignas de los tejidos mamarios, lo anterior utilizando varios métodos estadísticos como geometría estocástica, modelos de carpetas aleatorias, wavelets, características de textura, análisis multifractal y agregación de información de estos métodos para tomar decisiones y encontrar el mejor modelo que describa estas enfermedades en la patología humana. Para esta caracterización, proponemos un método computarizado para la clasificación automatizada del tejido mamario utilizando algunos parámetros estadísticos, como los índices fractales, parámetros multifractales, la lacunaridad, la succolaridad y las características de la textura clásica de la matrix de co-ocurrencia para analizar el tejido mamario. En esta tesis, proporcionamos un enfoque computable para la percolación, con posibles aplicaciones para el modelado del crecimiento de tejidos y se realiza un análisis multifractal sobre la base de un enfoque generalizado de dimensión fractal como también del enfoque multifractal del espectrum basado wavelet. Analizamos el uso de los multifractales como una herramienta en la caracterización de la mama usando dos bases de datos gratuitas de imágenes de tejido tumoral (Suckling et al.,1994; Spanhol et al., 2016). Nuestro objetivo es explorar el comportamiento multifractal de diferentes tejidos mamarios complejos. El análisis multifractal es una forma útil de caracterizar sistemáticamente la heterogeneidad espacial de los patrones fractales teóricos y experimentales. En esta tesis, utilizamos dos algoritmos interesantes para el análisis multifractal de los tejidos mamarios: método de momentos o dimension fractal generalizada y un enfoque basado en wavelet. Utilizaremos el espectro multifractal y sus descriptores en algoritmos de clasificación para discriminar el tejido mastopático del tejido canceroso. Se esperan diferencias significativas en la distribución subyacente entre los dos grupos.