Análisis comparativo de técnicas de segmentación de estructuras reticulares

Abstract

[Resumen] El presente articulo pretende comparar nuestro trabajo anterior en segmentación de estructuras reticulares con redes neuronales frente a un algoritmo ad hoc con el mismo propósito. Actualmente, las redes neuronales o la inteligencia artificial son conceptos muy usados y sinónimos de avances y mejoras, pero en determinados casos es posible emplear técnicas más clásicas, fuera del paradigma de la inteligencia artificial para desarrollar el mismo tipo de tareas con resultados muy similares. Para corroborar esta última mención, en el presente artículo se realiza un análisis comparativo de forma cuantitativa y cualitativa entre un algoritmo ad hoc y el mejor modelo de red neuronal en nuestro último trabajo para segmentar estructuras reticulares. Para la implementación del algoritmo se emplean métodos clásicos como Random Sample Consensus (RANSAC) y crecimiento de regiones. Para realizar la comparación de forma cuantitativa se emplean métricas estandarizadas como precision, recall y f1-score. Estas últimas se calcularán sobre una base de datos propia, compuesta por mil nubes de puntos y generada automáticamente en trabajos anteriores. El algoritmo en cuestión esta diseñado expresamente para tal base de datos.

[Abstract] This article aims to compare our previous work on segmentation of reticular structures with neural networks against an ad hoc algorithm for the same purpose. Nowadays neural networks or artificial intelligence are widely used concepts synonymous with advances and improvements, but in certain cases it is possible to use more classical techniques, outside the paradigm of artificial intelligence to achieve the same type of tasks with similar results. To corroborate last mention, in this article we perform a quantitative and qualitative comparative analysis between an ad hoc algorithm and the best neural network model in our latest work for segmenting reticular structures. Conventional methods such as Random Sample Consensus (RANSAC) and region growing are used to implement the algorithm. Standardised metrics such as precision, recall and f1-score are used for quantitative comparison. The latter will be calculated on a proprietary dataset, consisting of a thousand point clouds automatically generated in previous work. The algorithm in question is designed specifically for such a database.