{"id":{"repo_id":"lima","oai_identifier":"oai:repositorio.ulima.edu.pe:20.500.12724/14110"},"canonical_url":"https://search.dev.ndltd.org/etd/lima/oai:repositorio.ulima.edu.pe:20.500.12724/14110","repository":{"repo_id":"lima","name":"Universidad de Lima","base_url":"https://repositorio.ulima.edu.pe/oai/request"},"display":{"title":"Predicción de edad ósea con red basada en VGG-16 y Transfer Learning","abstract":"Para el diagnósticó de enfermedades hereditarias y desórdenes endocrinos en niños y jóvenes suele utilizarse el calculó de la edad ósea a través de una evaluación visual de una radiógrafía de la muñeca y de la mano. La presente investigación se ha centrado en el desarrollo de un modelo de Deep Learning para la predicción de la edad ósea utilizandó 12611 imágenes radiólógicas de niñós y jóvenes de 0 a 18 años de la Sóciedad de Radiólógía de Norte América (RSNA). Para lograrlo se realizaron tres procesos: preprocesamiento mediante una red neuronal convolucional U-Net para la generación de máscaras que permitan eliminar el fondo de las imágenes y su posterior ecualización; el desarrollo de una de red neuronal convolucional basada en VGG-16, transfer learning, cuyós pesós fuerón óbtenidós de ImageNet y un mecanismó de atención con la que se entrenaron 6 modelos con imágenes preprocesadas y óriginales; y una cómparación entre la predicción de 230 imágenes locales, con la edad ósea determinada por médicos para dicho subconjuntó. Con la validación del Dataset de la RSNA, se obtuvo un MAE en meses promedio de 9.4 para el modelo propuesto de hómbres. Por el lado de la validación local, se alcanzó un MAE en meses promedio de 13.7 en hombres contando todos los grups de edad y se alcanzó un MAE en meses de 12.4 en mujeres de 2 a 13 años.","abstract_html":"Para el diagnósticó de enfermedades hereditarias y desórdenes endocrinos en niños y jóvenes suele utilizarse el calculó de la edad ósea a través de una evaluación visual de una radiógrafía de la muñeca y de la mano. La presente investigación se ha centrado en el desarrollo de un modelo de Deep Learning para la predicción de la edad ósea utilizandó 12611 imágenes radiólógicas de niñós y jóvenes de 0 a 18 años de la Sóciedad de Radiólógía de Norte América (RSNA). Para lograrlo se realizaron tres procesos: preprocesamiento mediante una red neuronal convolucional U-Net para la generación de máscaras que permitan eliminar el fondo de las imágenes y su posterior ecualización; el desarrollo de una de red neuronal convolucional basada en VGG-16, transfer learning, cuyós pesós fuerón óbtenidós de ImageNet y un mecanismó de atención con la que se entrenaron 6 modelos con imágenes preprocesadas y óriginales; y una cómparación entre la predicción de 230 imágenes locales, con la edad ósea determinada por médicos para dicho subconjuntó. Con la validación del Dataset de la RSNA, se obtuvo un MAE en meses promedio de 9.4 para el modelo propuesto de hómbres. Por el lado de la validación local, se alcanzó un MAE en meses promedio de 13.7 en hombres contando todos los grups de edad y se alcanzó un MAE en meses de 12.4 en mujeres de 2 a 13 años.","abstract_has_math":false,"creators":["Quispe Carbonel, Alvaro Daniel"],"institution":"Universidad de Lima","degree_name":"Ingeniero de sistemas","degree_level":"Título Profesional","degree_discipline":"Ingeniería de sistemas","degree_department":null,"school":null,"contributors":[],"advisors":["Taquía Gutiérrez, José Antonio"],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-07-24T02:49:55Z","subjects":["Diagnóstico","Neural networks (Computer science)","Diagnosis","Bones","Forecasting","Genetic disorders","Redes neuronales (Informática)","Huesos","Prospectiva","Enfermedades hereditarias"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":["https://creativecommons.org/licenses/by-nc-sa/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/20.500.12724/14110","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Taquía Gutiérrez, José Antonio"]},{"key":"dc:creator","label":"Author","values":["Quispe Carbonel, Alvaro Daniel"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2021-09-13T21:20:43Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2021-09-13T21:20:43Z"]},{"key":"dc:date.issued","label":"Date","values":["2020"]},{"key":"dc:publisher","label":"Institution","values":["Universidad de Lima"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/bachelorThesis"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Ingeniería de sistemas"]},{"key":"thesis:degree_level","label":"Degree Level","values":["Título Profesional"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Ingeniero de sistemas"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Universidad de Lima. Facultad de Ingeniería y Arquitectura"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Diagnóstico","Neural networks (Computer science)","Diagnosis","Bones","Forecasting","Genetic disorders","Redes neuronales (Informática)","Huesos","Prospectiva","Enfermedades hereditarias"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]},{"key":"dc:rights.uri","label":"Rights URI","values":["https://creativecommons.org/licenses/by-nc-sa/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.12724/14110"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Para el diagnósticó de enfermedades hereditarias y desórdenes endocrinos en niños y jóvenes suele utilizarse el calculó de la edad ósea a través de una evaluación visual de una radiógrafía de la muñeca y de la mano. La presente investigación se ha centrado en el desarrollo de un modelo de Deep Learning para la predicción de la edad ósea utilizandó 12611 imágenes radiólógicas de niñós y jóvenes de 0 a 18 años de la Sóciedad de Radiólógía de Norte América (RSNA). Para lograrlo se realizaron tres procesos: preprocesamiento mediante una red neuronal convolucional U-Net para la generación de máscaras que permitan eliminar el fondo de las imágenes y su posterior ecualización; el desarrollo de una de red neuronal convolucional basada en VGG-16, transfer learning, cuyós pesós fuerón óbtenidós de ImageNet y un mecanismó de atención con la que se entrenaron 6 modelos con imágenes preprocesadas y óriginales; y una cómparación entre la predicción de 230 imágenes locales, con la edad ósea determinada por médicos para dicho subconjuntó. Con la validación del Dataset de la RSNA, se obtuvo un MAE en meses promedio de 9.4 para el modelo propuesto de hómbres. Por el lado de la validación local, se alcanzó un MAE en meses promedio de 13.7 en hombres contando todos los grups de edad y se alcanzó un MAE en meses de 12.4 en mujeres de 2 a 13 años."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:source","label":"Dc Source","values":["Repositorio Institucional - Ulima","Universidad de Lima"]},{"key":"dc:title","label":"Title","values":["Predicción de edad ósea con red basada en VGG-16 y Transfer Learning"]}]}],"canonical_facts":{"dc:contributor.advisor":["Taquía Gutiérrez, José Antonio"],"dc:creator":["Quispe Carbonel, Alvaro Daniel"],"dc:date.accessioned":["2021-09-13T21:20:43Z"],"dc:date.available":["2021-09-13T21:20:43Z"],"dc:date.issued":["2020"],"dc:description.abstract":["Para el diagnósticó de enfermedades hereditarias y desórdenes endocrinos en niños y jóvenes suele utilizarse el calculó de la edad ósea a través de una evaluación visual de una radiógrafía de la muñeca y de la mano. La presente investigación se ha centrado en el desarrollo de un modelo de Deep Learning para la predicción de la edad ósea utilizandó 12611 imágenes radiólógicas de niñós y jóvenes de 0 a 18 años de la Sóciedad de Radiólógía de Norte América (RSNA). Para lograrlo se realizaron tres procesos: preprocesamiento mediante una red neuronal convolucional U-Net para la generación de máscaras que permitan eliminar el fondo de las imágenes y su posterior ecualización; el desarrollo de una de red neuronal convolucional basada en VGG-16, transfer learning, cuyós pesós fuerón óbtenidós de ImageNet y un mecanismó de atención con la que se entrenaron 6 modelos con imágenes preprocesadas y óriginales; y una cómparación entre la predicción de 230 imágenes locales, con la edad ósea determinada por médicos para dicho subconjuntó. Con la validación del Dataset de la RSNA, se obtuvo un MAE en meses promedio de 9.4 para el modelo propuesto de hómbres. Por el lado de la validación local, se alcanzó un MAE en meses promedio de 13.7 en hombres contando todos los grups de edad y se alcanzó un MAE en meses de 12.4 en mujeres de 2 a 13 años."],"dc:format":["application/pdf"],"dc:identifier.uri":["https://hdl.handle.net/20.500.12724/14110"],"dc:language.iso":["spa"],"dc:publisher":["Universidad de Lima"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:rights.uri":["https://creativecommons.org/licenses/by-nc-sa/4.0/"],"dc:source":["Repositorio Institucional - Ulima","Universidad de Lima"],"dc:subject":["Diagnóstico","Neural networks (Computer science)","Diagnosis","Bones","Forecasting","Genetic disorders","Redes neuronales (Informática)","Huesos","Prospectiva","Enfermedades hereditarias"],"dc:title":["Predicción de edad ósea con red basada en VGG-16 y Transfer Learning"],"dc:type":["info:eu-repo/semantics/bachelorThesis"],"thesis:degree_discipline":["Ingeniería de sistemas"],"thesis:degree_level":["Título Profesional"],"thesis:degree_name":["Ingeniero de sistemas"],"thesis:institution_name":["Universidad de Lima. Facultad de Ingeniería y Arquitectura"]},"updated_at":"2026-07-24T02:49:55Z"}