000149720 001__ 149720
000149720 005__ 20250127135746.0
000149720 037__ $$aTAZ-TFG-2024-2851
000149720 041__ $$aspa
000149720 1001_ $$aTambo Guerrero, María
000149720 24200 $$aParameter identification in continuum and discrete models in cellular processes and comparison between them using neural networks
000149720 24500 $$aIdentificación de parámetros de modelos continuos y discretos en procesos celulares y comparación entre ellos utilizando redes neuronales
000149720 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2024
000149720 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000149720 520__ $$aEn este trabajo se desarrollan distintos métodos de aprendizaje automático para estimar parámetros de modelos de evolución tumoral del glioblastoma a partir de datos de concentración celular (provenientes de simulaciones o experimentos). También, gracias al método de sparse identification o identificación dispersa se calcula la relación entre los parámetros de los modelos continuos y discretos (o basados en agentes). En la primera parte, se entrena una red neuronal convolucional capaz de obtener, a partir de perfiles celulares generados por un modelo continuo, los parámetros que describen el comportamiento celular en ese modelo. Usando esta red podremos, a partir de un perfil proveniente de experimentos, obtener parámetros del modelo continuo. De forma análoga, a continuación se entrena otra red neuronal convolucional capaz de predecir los parámetros de un modelo discreto a partir de perfiles celulares. En la tercera parte, se obtiene una red neuronal capaz de a partir de parámetros continuos obtener parámetros discretos y otra red que predice la relación inversa. De esta forma se podrá correlacionar parámetros del modelo continuo con los del modelo discreto usando redes neuronales. Se comprobará que todas las redes implementadas proporcionen buenas predicciones sobre el conjunto de datos de test así como que tengan carácter general, para lo que se utilizará cross validation. Finalmente, se obtendrán las relaciones que presentan los parámetros del modelo continuo y discreto mediante identificación dispersa. Ello permite resolver el problema que presentan las redes neuronales debido a su estructura de cajas negras.<br />
000149720 521__ $$aGraduado en Ingeniería de Tecnologías Industriales
000149720 540__ $$aDerechos regulados por licencia Creative Commons
000149720 691__ $$a3 4
000149720 692__ $$aCon este trabajo se busca innovar en la salud más en concreto en el tumor GBM. Se propone una solución para conseguir definir mejor los tumores y poder hacer tratamientos mejores para los pacientes.
000149720 700__ $$aPérez Aliacar, Marina$$edir.
000149720 700__ $$aDoblaré Castellano, Manuel$$edir.
000149720 7102_ $$aUniversidad de Zaragoza$$bIngeniería Mecánica$$cMec. de Medios Contínuos y Teor. de Estructuras
000149720 8560_ $$f817898@unizar.es
000149720 8564_ $$s3851601$$uhttps://zaguan.unizar.es/record/149720/files/TAZ-TFG-2024-2851.pdf$$yMemoria (spa)
000149720 909CO $$ooai:zaguan.unizar.es:149720$$pdriver$$ptrabajos-fin-grado
000149720 950__ $$a
000149720 951__ $$adeposita:2025-01-27
000149720 980__ $$aTAZ$$bTFG$$cEINA
000149720 999__ $$a20240625165637.CREATION_DATE