Técnicas de segmentación de imágenes aplicadas en la cavidad bucal para diagnóstico de gingivitis.
Resumen
En el presente trabajo se analizó diversas imágenes digitales de la cavidad bucal por medio del uso de las técnicas de segmentación las cuales ayudarán a proporcionar un mejor diagnóstico acerca de la descalcificación y gingivitis; se somete al análisis mediante la herramienta de software Matlab, aplicando las diversas técnicas de segmentación, las cuales han sido utilizadas durante la investigación entre ellas tenemos: Transformada de K-means, Transformada de watershed, Transformada de Top – Hat, Transformada de sobel y la Transformada de Canny; fundamentalmente se realizaron los siguientes tópicos en segmentación: Umbralización, basado en regiones, detección de bordes, suavizado y pixeles.
Citas
Bouchet, A., Brun, M., & Ballarin, V. (2010). Morfología Matemática Difusa aplicada a la segmentación de angiografías retinales. dimensión, 3(3), 2.
Diario EL Telégrafo. (2017). Caries y gingiitis, enfermedades dentales con mayor diagnóstico. Extraído el 06 de julio de 2017: https://www.eltelegrafo.com.ec/noticias/sociedad/6/caries-y-gingivitis-enfermedades-dentales-con-mayor-diagnostico
Gálvez, S. (2014). Operadores de detección de bordes. Universidad de Chile Facultad de Ciencias Físicas Y Matemáticas, 31(144), 378–381.
Lira, J. (2012). Tratamiento Digital de Imágenes Multiespectrales. D.F: Instituto de Geofisica UNAM.
Martin, M. (2002). Técnicas clásicas de segmentación de imagen. Extraído el 21 de mayo de 2002: http://poseidon.tel.uva.es/~carlos/ltif10001/segmenclasica.pdf
Organización Mundial de la Salud-OMS (2018). Salud bocodental. Extraído el 24 de septiembre de 2018: https://www.who.int/es/news-room/fact-sheets/detail/oral-health
Pertusa, J. (2003). Técnicas de análisis de imagen: Aplicaciones en Biología. Valencia: Universidad de Valencia.
Riveros Guevara, A., Salas López, C. N., & Solaque Guzmán, L. (2012). Aproximación a la navegación autónoma de una plataforma móvil, mediante visión estereoscópica artificial. Ciencia e Ingeniería Neogranadina, 22(2), 114.
Villagra, A., Guzmán, A., Pandolfi, D., & Leguizamón, G. (2009). Análisis de medidas no- supervisadas de calidad en clusters obtenidos por K-means y Particle Swarm Optimization. Ciencia y tecnología. https://dialnet.unirioja.es/servlet/articulo?codigo=6307068
