6 research outputs found
Evaluating the Effectiveness of Traffic Metering Strategies in Reducing Congestion: A Case Study of Amman
No full textTraffic congestion is a significant issue in urban road networks, particularly in Amman, where peak hours cause major delays for commuters. Developing an advanced traffic management system is essential to helping residents save time, reduce congestion, and alleviate traffic jams. To address this challenge, we have implemented a simulation model powered by machine learning techniques to effectively and accurately manage traffic flow on Amman's streets. This innovative system leverages real-world data from the Jordanian capital to dynamically optimize traffic control. By automating traffic management processes, the model aims to reduce congestion while easing the workload of traffic personnel. This approach promises to enhance urban mobility and contribute to building a smarter and more efficient traffic management infrastructure in Amman, ensuring a better quality of life for its residents. After implementing the metering strategy, the traffic flow became more balanced, with less congestion and smoother transitions between intersections. The metering points effectively regulated the entry of vehicles into the circles, preventing congestion buildup and improving overall traffic efficiency
Evaluating the Effectiveness of Traffic Metering Strategies in Reducing Congestion: A Case Study of Amman
No full textTraffic congestion is a significant issue in urban road networks, particularly in Amman, where peak hours cause major delays for commuters. Developing an advanced traffic management system is essential to helping residents save time, reduce congestion, and alleviate traffic jams. To address this challenge, we have implemented a simulation model powered by machine learning techniques to effectively and accurately manage traffic flow on Amman's streets. This innovative system leverages real-world data from the Jordanian capital to dynamically optimize traffic control. By automating traffic management processes, the model aims to reduce congestion while easing the workload of traffic personnel. This approach promises to enhance urban mobility and contribute to building a smarter and more efficient traffic management infrastructure in Amman, ensuring a better quality of life for its residents. After implementing the metering strategy, the traffic flow became more balanced, with less congestion and smoother transitions between intersections. The metering points effectively regulated the entry of vehicles into the circles, preventing congestion buildup and improving overall traffic efficiency
Biometric Face Recognition Based on Enhanced Histogram Approach
No full textBiometric face recognition including digital processing and analyzing a subject's facial structure. This system has a certain number of points and measures, including the distances between the main features such as eyes, nose and mouth, angles of features such as the jaw and forehead with the lengths of the different parts of the face. With this information, the implemented algorithm creates a unique model with all the digital data. This model can then be compared with the huge databases of images of the face to identify the subject. The recognition features are retrieved here using histogram equalization technique. A high-resolution result is obtained applying this algorithm under the conditions of a specific image database.
Neural Networks in Bank Insolvency Prediction
No full textSummary The current paper aims to predict bank insolvency before the bankruptcy using neural networks, to enable all parties to take remedial action. Artificial neural networks are widely used in finance and insurance problems. Artificial neural networks are used to predict the insolvency. The back propagation network and the Kohonen self-organizing map (SOM) are used as the representative types for supervised and unsupervised artificial neural networks respectively. The results of applying the artificial neural networks methodology to predict financial distress based upon selected financial ratios show abilities of the network to learn the patterns corresponding to financial distress of the bank. In all cases, the percent correctly classified in the simulation sample by the feed-forward back propagation network is above 92 percent. After simulate the SOM network the percent correctly classified is above 94 percent. In spite of the limited data used in this study, artificial neural networks show significant signs for providing early warning signals and solvency monitoring. In addition, it is obvious from the results that SOM gives better results than feed-forward back propagation network
COVID-19 Diagnosis Applied DWT and CNN on X-ray Chest Images
No full textBackground: Medical images have many important applications, and this importance increased when the emergence of the COVID-19 pandemic. These applications have been focused on computed tomography chest images and X-ray images. This research will focus on special X-ray medical image applications of coronavirus (COVID-19).Methods: Many methods are applied on medical images to achieve certain features. The designed approach is implemented through many steps starting from preprocessing up to classification step. The proposed approach focusing on generating efficient features using discrete wavelet transform (DWT) then applying convolutional neural network (CNN) to classify between normal and abnormal COVID-19.Results: The COVID-19 diagnosis approach is implemented to achieve high performance system. The obtained result of COVID-19 diagnosis applied CNN tool leading to validation accuracy of 92.31%.Conclusion: Hybridizing two technologies (DWT and CNN) is intended to reach the best results in the diagnostic process. In addition, X-ray chest image is an important tool for detection and diagnosis of COVID-19 diseases
Implementación de un método computacional basado en aprendizaje automático para la clasificación de tejido canceroso a partir de información multimodal de imágenes de resonancia magnética como apoyo al diagnóstico en cáncer de próstata
No full textIncluye imágenes, tablas y anexos.La resonancia magnética (RM) es una tecnología ampliamente usada en medicina para la detección de enfermedades, el monitoreo de tratamientos, entre otros. La RM consiste en un proceso de tomografía de emisión que se basa en la excitación de los núcleos de los átomos de hidrógeno. En este proceso se introduce en un campo magnético estático potente, donde los núcleos adquieren una orientación y al mismo tiempo, con los momentos magnéticos, realizan un movimiento provocado por el campo magnético. La RM tiene varias ventajas: capacidad de adquisición multiplanar, una elevada resolución de contraste, ausencia de efectos nocivos por radiación ionizante y una amplia posibilidad del manejo del contraste (Lafuente Martínez, Luis, & Moreno, 2016).
La resonancia magnética (RM) es una tecnología ampliamente usada en medicina
para la detección de enfermedades, el monitoreo de tratamientos, entre otros. La RM
consiste en un proceso de tomografía de emisión que se basa en la excitación de los
núcleos de los átomos de hidrógeno. En este proceso se introduce en un campo
magnético estático potente, donde los núcleos adquieren una orientación y al mismo
tiempo, con los momentos magnéticos, realizan un movimiento provocado por el
campo magnético. La RM tiene varias ventajas: capacidad de adquisición multiplanar,
6
una elevada resolución de contraste, ausencia de efectos nocivos por radiación
ionizante y una amplia posibilidad del manejo del contraste (Lafuente Martínez, Luis,
& Moreno, 2016).
Según la GLOBOCAN (Global Cancer Observatory) para el 2018 alrededor del mundo
se presentaron 1’276.106 de nuevos casos de cáncer de próstata, donde para ese
mismo año se produjeron 358.989 muertes relacionados con este mismo tipo de
cáncer. En cuanto a Colombia en el 2018, la GLOBOCAN registró 12.712 de nuevos
casos de cáncer de próstata y el número de personas que fallecieron fue de 3.166
(GLOBOCAN , 2018). Algunos factores de riesgos que pueden causar cáncer de
próstata son la edad, donde existe una alta probabilidad que después de los 50 años
se pueda padecer y alrededor de 6 de cada 10 casos de cáncer de próstata se
detectan en hombres mayores de 65 años. También influye la raza o el grupo étnico,
los hombres de razas negra y en hombres con ascendencia africana el cáncer de
próstata ocurre con más frecuencia, además de los antecedentes familiares
(American Cancer Society, 2019).
Por otro lado, se ha ido trabajado para mejorar este tipo de tecnología, es por eso que
también se habla de la resonancia magnética multiparamétrica (mpMRI por su siglas
en inglés), en particular para diagnosticar cáncer de próstata. La resonancia
magnética multiparamétrica de próstata consiste en la combinación de imágenes
anatómicas de alta resolución tradicionales (por ejemplo T2) con técnicas de
imágenes funcionales, por ejemplo resonancia por difusión ponderadas (DWI por sus
siglas en inglés), resonancia magnética por perfusión (PRM) o espectroscopía. Por
ejemplo, las imágenes T2W (secuencia T2 ponderadas) se usan para analizar la
morfología de la zona prostática con el fin de evaluar anomalías en la zona de
transición, mientras las imágenes DWI reflejan y miden los movimientos de las
moléculas de agua y se usan para la detección de cáncer en la zona prostática
periférica (Barentsz et al., 2016). En la actualidad estos avances han ido aún más allá
al introducirse la inteligencia artificial en el campo de la medicina para contribuir en la
mejora de los diagnósticos en el cáncer de próstata , por ejemplos existen trabajos
como el de Fehr et al. (Feht, 2015) , Wibmer et al. (Wibmer et al., 2015), Tiwari et al.
(Tiwari, Kurhanewicz, & Madabhushi, 2013) o el de Le et al. (Le, 2017) en donde se
implementa métodos computacionales con el uso de las diferentes modalidades de
resonancia magnéticas, con el objetivo de diagnosticar de manera precisa el estado
de una lesión de cáncer de próstata.
Las redes neuronales convolucionales se han utilizada durante décadas en el campo
de visión por computador, aunque sólo fue conocido su verdadero valor en la
competición ImageNet en el 2012, donde el uso eficiente de las unidades de
procesamiento gráfico, el aumento de datos ,además del uso de nuevas técnicas
permitieron que se convirtiera en uno de los mejores avances en el campo del
aprendizaje automático (Tajbakhsh et al., 2016). Tradicionalmente los modelos de
aprendizaje automático eran entrenados para realizar tareas basadas en la extracción
7
manual de características que tomaban de los datos sin procesamiento. En cambio
en el aprendizaje profundo, las computadoras aprenden representaciones y
características eficientes de manera automática, tomadas directamente de los datos
en crudo (Lundervold & Lundervold, 2019). Existen diferentes variantes de modelos
de aprendizaje profundo, para la aplicación en diferentes ámbitos o tareas, por
ejemplo en el procesamiento del lenguaje natural, procesamiento de imágenes
hiperespectrales y análisis de imágenes médicas (Tajbakhsh et al., 2016).
El objetivo de este trabajo de grado fue proponer una solución basada en un algoritmo
de aprendizaje automático de Deep Learning, basado en Redes Neuronales
Convolucionales, para la clasificación de tejidos de próstata a partir de información
multimodal de imágenes digitales de resonancia magnética multiparamétrica (T2W,
ADC (coeficientes de difusión aparente) y Ktrans que son imágenes post-procesadas
de la modalidad DCE ) como apoyo a la investigación y/o diagnóstico del cáncer de
próstata. En los resultados se obtuvieron en una primera fase un valor de AUC
promedio de 0,71 (±0,127) con el uso de la modalidad Ktrans y en una segunda
usando la arquitectura descrita en el artículo de Gutiérrez et al. (Gutierrez, 2019) un
valor de AUC promedio de 0.72 (±0,058) combinando las modalidades Ktrans-T2WIntroducción. – Objetivos. -- Objetivo general. -- Objetivos específicos. -- Marco de referencia. – Próstata. -- Cáncer de próstata. -- Escala de gleason. -- Resonancia magnética. -- Resonancia magnética multiparamétrica. -- T2 ponderado (t2w). -- Coeficiente de difusión aparente (ADC). -- Contraste dinámico mejorado (DCE). -- Redes neuronales artificiales y aprendizaje profundo. -- Redes neuronales convolucionales. -- Metodología y evaluación experimental. -- Conjunto de datos de MPMRI de cáncer de próstata. -- Preprocesamiento del conjunto de datos. -- Diseño de las arquitecturas de las CNN. -- Entrenamiento de las arquitecturas con el conjunto de datos. -- Resultados obtenidos. -- Resultados adicionales. – Conclusiones. -- Trabajos futuros. -- Referencias y bibliografía. -- Anexos.Trabajo de grado en la modalidad de Trabajo de Investigación (TI) presentado como requisito parcial para optar al título de Ingeniero de SistemasPregradoIngeniero(a) de Sistema
