Ciencias Exactas y Ciencias de la Salud
Permanent URI for this collectionhttps://hdl.handle.net/11285/551039
Pertenecen a esta colección Tesis y Trabajos de grado de las Maestrías correspondientes a las Escuelas de Ingeniería y Ciencias así como a Medicina y Ciencias de la Salud.
Browse
Search Results
- Identification of species of plants of the Solanum (Solanaceae) genus native to Mexico using computational vision and convolutional neural networks on pictures of herbarium specimens(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2025-02) Hernández Rincón, Carlos Eduardo; Falcón Morales, Luis Eduardo; emipsanchez; Rodríguez Contreras, Aarón; Mendoza Montoya, Omar; Escuela de Ingeniería y Ciencias EIC; Campus GuadalajaraThe development of Deep Learning techniques like Convolutional Neural Networks for automated image processing has been making big strides in recent years. This has helped to find more practical applications in many science fields. One such field is that of botanic taxonomic analysis which aims to accurately identify and classify new species of plants. It is important not only for scientific purposes but also for taking appropriate conservation actions, for economic reasons and for proper environment policy making. However, doing this requires a lot of technical skills and time and the number of qualified people at herbaria and scientific institutions in Mexico is not enough. Moreover, a significant number of new plant species have already been collected but are sitting unidentified in herbaria across the country. The Solanum genus encompasses species such as potatoes, eggplants and tomatoes. It is one of the most diverse and important for its economic, nutritious and cultural value worldwide. Mexico is no exception, and it is home to many species both discovered and undiscovered. Currently there is a project at Universidad de Guadalajara to identify all species of the Solanum genus native to Mexico that have already been collected at different herbaria. Convolutional Neural Networks could help with this huge task. The main purpose of this research is to prove that a system to assist a human taxonomist identify these plants is feasible and indeed helpful.
- Neutrino classification through deep learning amid the Hyper-Kamiokande project development(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2024-06-10) Romo Fuentes, María Fernanda; Falcón Morales, Luis Eduardo; emipsanchez; Cuen Rochin, Saul; De la Fuente Acosta, Eduardo; School of Engineering and Sciences; Campus Estado de MéxicoNeutrinos are a type of elemental particle that are characterized by the fact that their mass is really small, that they have no electric charge and present a special behavior called oscillation in which they can be measured to be of a kind different to the one they actually are. All these characteristics make neutrinos one of the most studied particles by different researchers and in different facilities nowadays, since the information we can obtain from its study allows us to solve some of the Universe’s greatest mysteries. One of these projects where neutrinos are studied is the Hyper-Kamiokande which refers to both, the international collaboration of researchers, to which Mexico belongs to, and the neutrino grand-scale detector based on Cherenkov radiation currently being built in Japan. In this detector the data of a neutrino event is collected by a special kind of sensors located in its walls called Photo Multiplier Tubes or PMTs, to then be analyzed, and this analysis usually starts by the identification of the particles involved in an event, which is where this project comes forth, since an appropriate method to classify neutrinos based on the radiation pattern they leave as they pass through the detector is needed. Hence, in the following project to obtain the Master in Computer Science degree, we implement and test 4 deep learning architectures: VGG19, ResNet50, PointNet and Vision Transformer, for the classification of neutrinos since they are state of the art methods, this is, they are architectures used as the starting point for any classification task and, moreover, we can tune them and/or apply different techniques such as regularization to get the best possible performance while reducing overfitting. Using the mentioned architectures we process a dataset composed of neutrino events simulated by a software called WCSim in 2021. These events are of single ring type, correspond to the IWCD tank, a smaller tank being built to aid in the tasks of the Hyper-Kamiokande and range from 9 thousand to 8 million per each of the 3 particles considered in the project: muon and electron neutrinos and gamma particles. The results show that ResNet50 was the architecture that gave the best results while also minimizing the computational resources needed, though its performance is similar to the one given by VGG19 and PointNet, they require a larger time to process any dataset, whereas Vision Transformer provided the poorest results, however, all results improved by processing the largest datasets. Then, in comparison with a state of the art custom CNN we found that our highest average accuracy is within the same range as the one they obtained, whereas, in comparison with the ResNet50 model currently being used in the HK collaboration we found that the obtained AUC for the TPR signal (electron) vs FPR background (gamma) curve for our best model is 0.71, whereas this AUC value for the collaboration is 0.77, nonetheless, we have to consider that to obtain this value the whole results are not analyzed by the collaboration but cuts are applied and therefore, our results can be considered close.
- Fusión estratégica: integración del análisis de sentimiento con indicadores tradicionales para mejorar la toma de decisiones en los mercados financieros(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2024-05-06) Campos Dionicio, Bryan de Jesús; Falcón Morales, Luis Eduardo; emimmayorquin; Antelis Ortiz, Javier Mauricio; Hernández Rojas, Luis Guillermo; Escuela de Ingeniería y Ciencias; Campus GuadalajaraEsta investigación profundiza en el papel fundamental del análisis de sentimiento como herramienta de toma de decisiones en el mercado de valores, con un enfoque principal en abordar desafíos, explorar estrategias e investigar la interacción entre el análisis de sentimiento y el análisis numérico. El alcance esperado es proporcionar un marco integral que ayude a las personas, independientemente de su experiencia en el mercado de valores, a validar o ajustar sus posiciones basándose en el análisis de noticias y otros datos textuales. El estudio examina los desafíos encontrados en el análisis de sentimientos, enfatizando la interpretación matizada del contexto y el tono dentro de los datos textuales. En particular, navega por las complejidades de manejar grandes volúmenes de datos no estructurados de diversas fuentes. Se investigan a fondo las estrategias empleadas en el análisis de sentimientos, que van desde algoritmos de aprendizaje automático y técnicas de procesamiento del lenguaje natural hasta enfoques basados en léxico. Los resultados obtenidos del análisis de sentimiento se analizan sobre su impacto en el sentimiento del mercado, los precios de las acciones y los volúmenes de negociación. El documento enfatiza la importancia de integrar los resultados del análisis de sentimiento con el análisis numérico, como el análisis técnico y fundamental, para mejorar la toma de decisiones en el mercado de valores.
- VGG-16 para detección de COVID-19 y pulmonía en radiografías de tórax(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2023-11) Pérez Durán, Luis Arturo; Falcón Morales, Luis Eduardo; emimmayorquin; Corona Burgueño, Juan Francisco; Sánchez Ante, Gildardo; School of Engineering and Sciences; Campus GuadalajaraLa principal problemática que trajo la pandemia ocasionada por el virus de SARS-CoV-2, fue la necesidad de determinar rápidamente y de manera efectiva si un paciente se encontraba infectado. Los principales métodos de detección son la prueba PCR y la prueba de antígenos, una de estas pruebas es muy segura, pero puede durar hasta 3 días en dar el resultado, mientras que la otra prueba tiene resultados en minutos, pero puede dar resultados erróneos dependiendo del tiempo en el que se hizo la prueba durante la enfermedad. La presente tesis busca explorar de manera cuantitativa que tan efectivo es un modelo de red neuronal convolucional VGG-16 para el diagnóstico de enfermedades pulmonares, siendo estas COVID-19 y neumonía, así como también el posible diagnóstico de normalidad en radiografías de tórax. Para la elaboración y entrenamiento del modelo, se utiliza una base de datos gratuita que contiene 15000 imágenes. Adicionalmente se revisan diferentes trabajos previos que tratan igualmente de la clasificación de imágenes médicas con el uso de diferentes modelos de red neuronal convolucional. Se expone cómo funciona una red neuronal artificial y una red neuronal convolucional además de revisar la estructura del VGG-16, que fue el modelo seleccionado para esta tesis. Para la elaboración del modelo, se crearon 4 variantes, donde el primer modelo clasifica de manera binaria si el paciente es sano o está infectado con COVID-19, mientras que el segundo modelo clasifica tres categorías, siendo COVID-19, normalidad o neumonía. La otra variación en los modelos es en el entrenamiento, modificando algunos parámetros y cambiando el tamaño de las imágenes que se usan para el aprendizaje, utilizando una versión de imágenes de 128 x 128 pixeles y otra de 224 x 224 pixeles. En conclusión, considerando los datos obtenidos de los 4 variaciones, los modelos entrenados con las imágenes de 128 x 128 pixeles obtienen mejores resultados en comparación con los modelos entrenados con imágenes de 224 x 224 pixeles, logrando un mayor porcentaje de predicciones correctas con las imágenes de prueba. The main problem brought by the pandemic caused by the SARS-CoV-2 virus was the need to quickly and effectively determine whether a patient was infected. The main detection methods are the PCR test and the antigen test, one of these tests is very safe, but can take up to 3 days to give the result, while the other test has results in minutes, but it can give erroneous results depending on the time in which the test was done during the illness. This thesis seeks to quantitatively explore how effective a VGG-16 convolutional neural network model is for the diagnosis of lung diseases, these being COVID-19 and pneumonia, as well as the possible diagnosis of normality in chest x-rays. For the development and training of the model, a free database containing 15000 images is used. In addition, different previous works that also have classification of medical images with the use of different convolutional neural network models are reviewed. How an artificial neural network and a convolutional neural network work are explained, in addition to reviewing the structure of the VGG-16, which was the model selected for this thesis. To develop the model, 4 variants were created, the first model classifies in a binary way whether the patient is healthy or infected with COVID-19, while the second model classifies three categories, being COVID-19, normality or pneumonia. The other variation of the models is in the training, modifying some parameters and changing the size of the images used for learning, using a version of 128 x 128 pixels and another of 224 x 224 pixels. In conclusion, considering the data obtained from the 4 variations, the models trained with the 128 x 128 pixel images obtained better results compared to the models trained with 224 x 224 pixel images, achieving a higher percentage of correct predictions using the test images.
- Test suite para validar la arquitectura de memoria compartida para servidores en ambientes de clúster utilizando Kubernetes(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2023-10-31) Torres Ramos, Javier Alejandro; Falcón Morales, Luis Eduardo; emipsanchez; Padilla, Gerardo; Corona, Juan Francisco; Escuela de Ingeniería y Ciencias; Campus GuadalajaraEste proyecto se centra en la construcción y desarrollo de una suite de pruebas para la validación de arquitecturas de memoria compartida en multiprocesadores para servidor, explorando la eficiencia de validación a través de ambientes de clúster para una ejecución paralela por medio de Kubernetes y la utilización de metodologías como el pairwise testing para reducir el tiempo de pruebas con el fin de ampliar la búsqueda de bugs dentro de este tipo de procesadores. Los resultados de la tesis revelan que existe una eficiencia de 10 horas a través del uso de la metodología pairwise testing. Sin embargo, estos resultados tienen implicaciones en la validación de silicio para servidores ya que busca la eficiencia y búsqueda precisa de bugs de memoria y CPU. Se recomienda que esta tesis se utilice como referencia para investigaciones futuras en la validación de hardware, calidad de software o DevOps. El presente trabajo aporta una comprensión acerca de la suite de pruebas para la validación de arquitecturas de memoria compartida en sistemas de clúster utilizando Kubernetes y contenedores de Docker y sus futuras implicaciones en validación de hardware, calidad de software y DevOps y espera fomentar futuras investigaciones y avances en estos campos.
- Evaluación de modelos de aprendizaje automático para la predicción de ventas de boletos en juegos de béisbol en Tijuana(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2023-08) Calderón Samano, Jose Roberto; Falcón Morales, Luis Eduardo; emimmayorquin; Escuela de Ingeniería y Ciencias; Campus GuadalajaraLa predicción de ventas de boletos en la industria del entretenimiento es un elemento crucial para la planificación y éxito de eventos deportivos. No solo permite una gestión más eficiente de los recursos, sino que también potencia estrategias de marketing efectivas. En este contexto, esta tesis se enfoca en desarrollar un sistema de predicción de ventas de boletos para partidos de béisbol en Tijuana, México. Para el desarrollo, se utiliza un conjunto de datos segmentado por puntos de venta, específicamente gasolineras, junto con las ventas correspondientes en cada punto. Este conjunto de datos comprende variables cruciales como Evento, Día/Semana, Mes, Año, Zona, Precio y Número de Boletos Vendidos. Para el entrenamiento, se implementan diversos modelos de aprendizaje automático, incluyendo algoritmos como Árbol de Decisión, Máquinas de Vectores de Soporte, Regresor de Gradient Boosting, Redes Neuronales LSTM, Adaboost, Random Forest, XGBoost y LightGBM. Adicionalmente, para comparar con técnicas estadísticas clásicas, se exploraron los modelos ARIMA y SARIMA. Tras el entrenamiento y la generación de predicciones, se lleva a cabo una comparación exhaustiva para determinar el rendimiento óptimo utilizando la métrica de desempeño del Error Absoluto Medio Porcentual (MAPE). Destacando el modelo XGBoost que muestra el mejor desempeño con un MAPE de 0.31, consolidándose como la elección idónea para la predicción de ventas de boletos en este contexto. Esta investigación no solo proporciona un sistema para pronosticar ventas de boletos, sino que también sienta bases sólidas para futuras investigaciones en la gestión de ventas de boletos en eventos deportivos dentro de la industria del entretenimiento.
- Aplicación de modelos de aprendizaje automático para la predicción de eventos adversos secundarios a vacunas COVID-19 y detección de factores importantes(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2023-05) Molina Puentes, Mayra Alejandra; Falcón Morales, Luis Eduardo; emimmayorquin; Roshan Biswal, Rajesh; Sánchez Ante, Gildardo; Escuela de Ingeniería y Ciencias (EIC); Campus GuadalajaraCOVID-19 disease caused by the SARS-CoV-2 virus was the third leading cause of death in the United States for 2022, claiming more than six million lives worldwide since the outbreak began in 2019. COVID-19 vaccines have been available for more than two years, yet vaccine hesitancy still prevails to this day. One of the factors to vaccine hesitancy is the concern for vaccine safety and adverse reactions. The main objective of this work is to apply machine learning algorithms and develop a model to predict if an individual will have a serious adverse reaction or death based on patient information, medical history, and vaccine information. Additionally, through the application of feature importance techniques this study aims to identify potential risk factors for serious adverse reactions. Six machine learning algorithms were chosen for this study: Logistic Regression, Decision trees, Support Vector Machines (SVM), Naïve Bayes (NB), Random Forest (RF), K-Nearest Neighbors (kNN). The best result was achieved through Random Forest to predict a lethal adverse event post vaccination with an accuracy of 91.37%. Decision Tree provides an accuracy of 64.83% when predicting a severe adverse event. Age, gender, vaccine manufacturer and vaccine dose contribute the most to serious adverse reactions while age, gender and symptoms contribute the most towards patient death.
- The use of multispectral images and deep learning models for agriculture: the application on Agave(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2022-12) Montán López, José Alberto; FALCON MORALES, LUIS EDUARDO; 168959; Falcón Morales, Luis Eduardo; puelquio, emipsanchez; Sánchez Ante, Gildardo; Roshan Biswal, Rajesh; Sossa Azuela, Huan Humberto; Escuela de Ingeniería y Ciencias; Campus Estado de MéxicoAgave is an important plant for Mexico, country considered as center of biological diversity of agave, in addition, one variety is used for production of tequila, an important product that brings money to the country. Demand of product has led farmers to pay more attention to plantation and to reduce quality. We can find several solutions regarding agricultural filed such as identification of weed and classification of species implementing aerial imagery along with machine and deep learning reaching good results. However, there are few solutions applied directly on agaves to monitor they health. Moreover, there is not a public dataset about agaves for the purpose of this work, for this reason we have worked to collect data using a drone equipped with a multispectral camera capable to capture five different channels of a different wavelength of the light spectrum. This dataset contains 7ha of agave information into five channels provided by the multispectral camera as well as three Vegetation Indices that were computed from the multispectral bands. In this work, we explore the use of recent deep learning (DL) algorithms as well as traditional machine learning (ML) algorithms to segment agaves based on health using aerial multispectral images. On the experiments we found out that ML algorithms were able to segment just one of the two classes defined for agaves. On the experiments of DL models we could define the size of the images we wanted to train where a size of 500x500 was the best for this problem. Experiments for both types of algorithms were done using many combinations of channels such as use just vegetation indices or using all available bands on the dataset. On the other hand, Vision Transformer (ViT) Segmenter model reached an accuracy of 92.96% using vegetation indices data while the best ML algorithm was Random Forest using the five bands captured by the drone reaching 88.06% accuracy. We also test the models using traditional RGB images to compare against multispectral images and see if there is an actual advantage on the use of this type of technology. Results show us that when we introduce the variable of health into agaves, i.e. we have two classes of agaves, models that have additional bands can get better results. Thus, the use of multispectal images actually increase the performance of all models, including ML and DL, for identification of more than one class of agave.
- A novel dataset and deep learning method for automatic exposure correction in endoscopic imaging(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2022-12-01) García Vega, Carlos Axel; Falcón Morales, Luis Eduardo; puemcuervo, emipsanchez; Daul, Christian; González Mendoza, Miguel; Roshan Biswal, Rajesh; School of Engineering and Sciences; Campus Estado de México; Ochoa Ruiz, GilbertoEndoscopy is such an important medical practice that one of the most common type of cancer worldwide, cause of many deaths, can be diagnosed and treated since through this imaging technique clinicians can diagnose cancerous lesions in hollow organs. Nonetheless, endo- scopic images are often affected by sudden illumination changes which entail regions with overexposure, underexposure or even both errors, in accordance with the light source pose and the lumen texture of the inner walls. These poor light conditions can carry several negative consequences either for the examination itself or on the performance of Computed-assisted Diagnosis (CAD) or Computed-aided Surgery (CAS). However, almost no effort has been done for deploy endoscopic image enhancement methods that can perform adequately (even when both errors appear simultaneously) and in real-time. The contribution of the present work in overall aims to enhance the quality of Field-of-View (FoV) from endoscopic ex- aminations and Computed-assisted Diagnosis through real-time Deep Learning techniques, however, for achieving this general objective, we first built a reliable reference-based dataset Endo4IE, evaluates and validated by experts, to be an standard dataset for IE purposes, due to the lack of this dataset in the literature. Afterwards, we evaluated IE methods on our dataset to find out a prospect method for our case-of-study, in this case LMSPEC originally introduced to enhance images from natural scenes. We made adaptations over the objective function of the prospect method to obtain better performance regarding to structure and less artifacts in the enhanced frame. Finally, we tested on the Endo4IE dataseta and evaluate with state-of- the-art metrics against the baseline method, thus the proposed implementation has yielded a significant improvement over LMSPEC reaching a SSIM increase of 4.40% and 4.21% for overexposed and underexposed images, respectively. Regarding PSNR, an improvement of 3.83% for over-exposed and just 0.01% below with respect to LMSPEC.
- Visionless Interactions: Plataforma de aplicaciones para invidentes(Instituto Tecnológico y de Estudios Superiores de Monterrey) Rodriguez, Jafet; Falcón Morales, Luis Eduardo; Sánchez Ante, Gildardo; Arámburo Lizárraga, Jesús; Schoolg of Engineering and Sciences; Schoolg of Engineering and Sciences; Campus Guadalajara; Falcón Morales, Luis EduardoEn este documento se presenta el diseño, elaboración, resultados y trabajo futuro de la creación de Visionless Interactions. El programa tiene como finalidad el ayudar a personas con discapacidad visual a poder crear un mejor mapa mental de su ambiente a través del sentido del oído. La aplicación funciona a más de 30 cuadros por segundo utilizando la configuración original de la máquina virtual de Java por lo que no se requiere una gran cantidad de memoria RAM. Los dispositivos que se usaron fueron una Apple MacBook Pro 2009, Kinect de Microsoft, Sonido 5.1 de Logitech y una tarjeta de sonido USB 7.1 de Sabrent. Además, para poder confirmar que la plataforma cumple su propósito, se creó un juego sencillo en el cual el usuario tiene que interceptar abejas que van volando de adelante hacia atrás. El juego está dividido en 11 niveles y se realizaron pruebas de campo con un grupo de 13 voluntarios, los participantes tienen desde 4 hasta 63 años, 62% mujeres y 38% hombres, la mitad con discapacidad visual y la otra mitad utilizó un antifaz. En las pruebas que se llevaron a cabo se pudo observar que el usuario se divirtió y con el paso del tiempo fue logrando identificar de mejor manera los objetos 3D de su alrededor. Además, el juego funcionó de manera adecuada al permitir que el jugador mostrara cada vez una mayor familiaridad al navegar tanto entre menús, como al interactuar con los objetos 3D. En conclusión, fue posible desarrollar una aplicación en Java que ayude a las personas visualmente discapacitadas, parcial o totalmente, a navegar mejor en su entorno mientras se divierten. El mercado para este tipo de aplicaciones sigue siendo una gran oportunidad y Visionless Interactions permite acortar la brecha tecnológica existente, al proporcionar una plataforma que facilita la creación de videojuegos para múltiples sistemas operativos sin necesidad de una pantalla.