Redes neuronales convolucionales en endodoncia: En donde estamos y hacia donde vamos

Simple item page
dc.audiencegeneralPublices_MX
dc.contributorCasillas Santana, Miguel Ángel
dc.contributorCastillo Silva, Brenda Eréndira
dc.contributorCarrasco Gutiérrez, Rosendo Gerardo
dc.contributorVentura Molina, Elías Jesús
dc.contributorJerezano Domínguez, Alberto Vinicio
dc.contributor.advisorCASILLAS SANTANA, MIGUEL ANGEL; 490190
dc.contributor.advisorCARRASCO GUTIERREZ, ROSENDO GERARDO; 322594
dc.contributor.advisorVENTURA MOLINA, ELIAS JESUS; 447405
dc.contributor.advisorJEREZANO DOMINGUEZ, ALBERTO VINICIO; 205235
dc.contributor.authorCon Juárez, José Antonio
dc.date.accessioned2021-08-09T18:39:24Z
dc.date.available2021-08-09T18:39:24Z
dc.date.issued2021-03
dc.description.abstract"Se realizó una búsqueda de la literatura de los últimos 5 años en 5 bases de datos sobre redes neuronales convolucionales en endodoncia, se obtuvieron 7 resultados, los cuales se examinaron y se compararon entre si para observar las tendencias, similitudes, avances, acercamientos y resultados del empleo de este tipo de tecnología en endodoncia. Se identificó que todos los estudios publicados utilizan a las redes neuronales convolucionales para la detección y asistencia al endodoncista en estudios radiográficos (radiografías periapicales, radiografías panorámicas y en cortes ConeBeam 2D). Se observó superioridad del rendimiento de los algoritmos en los estudios ConeBeam en 2D. También se determinó que tanto los extractores de datos U-net como los clasificadores a través del método support vector machine entrenados por un extractor de características ajustado manualmente son los más efectivos para el entrenamiento de las redes neuronales. También se detectó que el número de imágenes de las bases de datos para el entrenamiento fueron limitadas, y se utilizaron técnicas de aumentación de datos para ampliar artificialmente la cantidad de imágenes para el entrenamiento. Al comparar la capacidad detección de lesiones radiográficas de los algoritmos vs humanos no se lograron determinar diferencias significativas."es_MX
dc.folio20210422131211-5851-Tes_MX
dc.formatpdfes_MX
dc.identificator3es_MX
dc.identifier.urihttps://hdl.handle.net/20.500.12371/13864
dc.language.isospaes_MX
dc.matricula.creator219450000es_MX
dc.publisherBenemérita Universidad Autónoma de Pueblaes_MX
dc.rights.accesopenAccesses_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subject.classificationMEDICINA Y CIENCIAS DE LA SALUDes_MX
dc.subject.lccEstomatologíaes_MX
dc.subject.lccEndodonciaes_MX
dc.subject.lccImagenologíaes_MX
dc.subject.lccSistema nerviosoes_MX
dc.thesis.careerMaestría en Estomatologíaes_MX
dc.thesis.degreedisciplineÁrea de Ciencias Naturales y de la Saludes_MX
dc.thesis.degreegrantorFacultad de Estomatologíaes_MX
dc.thesis.degreetoobtainMaestro en Estomatología opción terminal en Endodonciaes_MX
dc.titleRedes neuronales convolucionales en endodoncia: En donde estamos y hacia donde vamoses_MX
dc.typeTesis de maestríaes_MX
dc.type.conacytmasterThesises_MX
dc.type.degreeMaestríaes_MX
Files
Original bundle
Now showing 1 - 1 of 1
Name:
20210422131211-5851-Carta.pdf
Size:
220.86 KB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Tesis de Maestría