3. Redes Neuronales: Introducción Los Algoritmos Genéticos son métodos adaptativos, generalmente usados en problemas de búsqueda y optimización de parámetros , basados en la reproducción sexual y en el principio supervivencia del mas apto. Para alcanzar la solución a un problema se parte de un conjunto inicial de individuos, llamado población, generado de manera aleatoria. Cada uno de estos individuos representa una posible solución al problema. Estos individuos evolucionarán y se adaptaran en mayor medida tras el paso de cada generación a la solución requerida.
4. Algoritmo genético básico Cada cromosoma esta compuesto de una serie de genes Un conjunto de genes constituye el Genoma de un individuo Imágenes solución Pixeles de nuestra imágen para imágenes
5. Algoritmo genético básico Selección: En un primer paso, se asigna a cada cromosoma un valor de aptitud, dado a partir de una función objetivo (función de aptitud o función fitness). Crossover: Se emparejan (aleatoriamente o de acuerdo a la aptitud) los cromosomas sobre los que se va a realizar el crossover y se realiza el intercambio de material genético entre cada pareja de cromosomas. Mutación: Se modifica el cromosoma por si aparecen máximos locales.
6. Red Neuronal Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. El sistema consiste en una red de interconexión de neuronas que colabora para producir una salida determinada. Tipos: Monocapa Multicapa
7. Perceptrón Representa el caso mas simple de red neuronal y consiste en una neurona con varias entradas (x n ), que tienen asociados unos pesos (w n ). Las generaciones sucesivas son supervisadas, es decir, estos pesos son modificados para que en un número finito de iteraciones hallemos la solución.
8. Redes de Kohonen También se conocen como Mapas Autoorganizativos y son un tipo de red neuronal basada en el aprendizaje competitivo. Su fin es la de cuyo fin es descubrir una estructura subyacente de los datos introducidos en ella. El tratamiento de datos mediante Redes de Kohonen crea un modelo de esos mismos datos que puede servir para agruparlos por criterios de similitud.
9. Segmentación Los algoritmos de segmentación de imagen generalmente se basan en dos propiedades básicas de los niveles de gris de la imagen: discontinuidad y similitud. A la hora de realizar la segmentacion se suele utilizar un metodo que comprueba la similitud entre zonas y analiza si un elemento se puede añadir a una zona.
10. Ejemplos Neural Network Toolbox Trabajo sobre aneurismas cerebrales en imágenes de angiografía por tomografía computerizada.
11. Conclusiones Es un paso importante la utilización de las redes neuronales con este fin. Actualmente el proceso que se sigue es la aplicación de un kernel a todos los pixeles de nuestra imagen para luego analizar la imagen resultante y distinguir los objetos que la componen. Esto requiere de un alto grado y tiempo de computación si se trata de una imagen de gran tamaño. Las redes neuronales permiten realizar una aproximación a lo largo de un numero determinado de generaciones que ira acercándose cada vez mas al modelo final que buscamos. Las redes neuronales tienen como fin la resolución de problemas complejos como el de la segmentación de imágenes y constituyen una mejora a la hora de realizar tareas complejas sin ser necesario maquinas potentes para realizar dichos cálculos.