| dc.contributor | Vargas Cardona, Hernán Darío | |
| dc.creator | Meléndez Mejía, Daniela | |
| dc.date | 2024-06-15T16:06:56Z | |
| dc.date | 2024-06-15T16:06:56Z | |
| dc.date | 2023 | |
| dc.date.accessioned | 2026-10-15T17:14:19Z | |
| dc.date.available | 2026-10-15T17:14:19Z | |
| dc.identifier | https://vitela.javerianacali.edu.co/handle/11522/2664 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12032/191270 | |
| dc.description | La detección temprana del Alzheimer es crucial para los pacientes, ya que, al recibir el tratamiento adecuado y pertinente, lo que puede retrasar o incluso prevenir la progresión de la enfermedad. En la mayoría de los casos, los primeros síntomas de EA son fáciles de identificar, como la pérdida de memoria, la dificultad para realizar tareas cotidianas y la desorientación. Sin embargo, estos síntomas a menudo son confundidos con signos normales de envejecimiento, lo que puede retrasar el diagnóstico y el tratamiento. En este trabajo, se empleó deep learning (DL) mediante redes neuronales convolucionales, como VGGNet, ResNet e Inception, en combinación con imágenes de resonancia magnética del Atlas de Neuroimagen del Alzheimer (ADNI) para identificar anomalías típicas en pacientes con EA. Se tuvo en cuenta la revisión de trabajos previos relevantes en el marco teórico, los cuales serán útiles para la detección de la enfermedad mediante el uso de etiquetas binarias. La metodología propuesta permitió una detección más efectiva y precisa de la enfermedad en sus primeras etapas, lo que a su vez será de gran importancia para futuras investigaciones en el campo de la medicina. | |
| dc.description | Early detection of Alzheimer’s disease is crucial for patients, as receiving appropriate and rele vant treatment can delay or even prevent the progression of the disease. In most cases, the early symptoms of AD are easy to identify, such as memory loss, difficulty performing everyday tasks and disorientation. However, these symptoms are often mistaken for normal signs of aging, which can de lay diagnosis and treatment. In this work, deep learning (DL) using convolutional neural networks, such as VGGNet, ResNet and Inception, was employed in combination with magnetic resonance imaging from the Alzheimer’s Atlas of Neuroimaging (ADNI) to identify typical abnormalities in AD patients. The review of relevant previous work was taken into account in the theoretical fra mework, which will be useful for the detection of the disease using binary labels. The proposed methodology allowed a more effective and accurate detection of the disease in its early stages, which in turn will be of great importance for future research in the field of medicine. | |
| dc.format | 91 p. | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Pontificia Univerisdad Javeriana Cali | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.rights | http://purl.org/coar/access_right/c_14cb | |
| dc.subject | Enfermedad de Alzheimer | |
| dc.subject | Detección temprana | |
| dc.subject | Primeras etapas | |
| dc.subject | Resonancia magnética | |
| dc.subject | Atlas de Neuroimagen del Alzheimer (ADNI) | |
| dc.subject | Deep Learning (DL) | |
| dc.subject | Redes neuronales convolucionales (CNN) | |
| dc.title | Detección de la enfermedad de Alzheimer mediante resonancia magnética para asistir en el proceso de diagnóstico | |
| dc.type | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type | Tesis/Trabajo de grado - Monografía - Pregrado | |
| dc.type | https://purl.org/redcol/resource_type/TP | |
