Browsing by Author "Palta, Felipe"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Análisis de fatiga en conductores mediante procesamiento de imágenes: una aproximación para la seguridad vial
    (Pontificia Universidad Javeriana Cali, 2025) Cumbalaza García, Miguel Ángel; Ruano Pérez, Johann Emilson; Palta, Felipe
    En este trabajo se desarrolló un sistema automático y no invasivo para la detección de fatiga en conductores a partir de imágenes faciales. Utilizando el conjunto de datos UTA Real-Life Drowsiness Dataset, se analizaron regiones de interés del rostro para extraer características geométricas y de color, así como para entrenar modelos de clasificación. Se evaluaron dos enfoques: aprendizaje automático superficial, basado en características faciales como apertura ocular, forma de la boca y tonalidad de mejillas, y aprendizaje profundo mediante la arquitectura YOLO, que procesa imágenes completas. Ambos métodos clasificaron tres niveles de somnolencia: alerta, baja vigilancia y somnolencia. Los resultados mostraron un alto desempeño, con exactitudes superiores al 95 % en los modelos tradicionales y cercanas al 100 % con YOLO. Técnicas de interpretabilidad confirmaron que las decisiones del sistema se basan en regiones faciales relevantes. En conjunto, los resultados demuestran la viabilidad de sistemas de visión por computador para la detección de fatiga en tiempo real, aunque se identifican retos relacionados con la generalización a escenarios reales, lo que motiva futuras investigaciones.
  • Thumbnail Image
    Item
    Detección automática de masas en mamografías digitales mediante técnicas de inteligencia artificial
    (Pontificia Universidad Javeriana Cali, 2025) García Gallego, Fabián Antoyne; Palta, Felipe
    Early detection of breast cancer through mammography is a problem of high clinical impact; however, manual localization of masses can be laborious due to low contrast, tissue overlap, and high morphological variability of lesions. This work presents an automatic mass detection system in digitized mammograms using the one-stage YOLO family of detectors. The mass subset of the CBIS-DDSM dataset was used to build a preprocessing pipeline that (i) loads mammograms in DICOM format, (ii) uses ROI masks to derive consistent bounding boxes, and (iii) generates annotations in YOLO format and training, validation, and test partitions. A pre-trained YOLOv8m model was selected as the base model and fine-tuned via transfer learning to a single class (mass) with imgsz=640. On the validation set, the model achieved P = 0,586, R = 0,544, mAP@0,5 = 0,533, and mAP@0,5:0,95 = 0,243. For a more clinically interpretable evaluation, an inference pipeline with post-processing based on Extra NMS was implemented to remove highly overlapping duplicate detections, and two complementary metrics were computed: (i) the Jaccard Index (IoU) to quantify spatial agreement between predictions and ground truth, and (ii) an FROC curve (sensitivity vs. FPPI) to analyze the trade-off between sensitivity and false positives per image. On the test set, 39,61 % of the images exhibited IoU ≥ 0,60 (143 of 361), and the FROC analysis reported sensitivities of 0.5435 at FPPI ≤ 0,5, 0.6332 at FPPI ≤ 1,0, and 0.6860 at FPPI ≤ 2,0. These results suggest that the proposed approach can localize masses with significant spatial concordance in a relevant fraction of cases, providing a reproducible basis for clinical decision support systems.
  • Thumbnail Image
    Item
    Modelo de clasificación de planos cerebrales en ecografías prenatales utilizando aprendizaje de máquina profundo
    (Pontificia Universidad Javariana Cali, 2025) Aguado Valderrama, Juan José; Rodríguez López, Luis Alfredo; Torres Valencia, Cristian Alejandro; Palta, Felipe
    Las Ecografías Craneales Prenatales (ECP) desempeñan un papel crucial en el monitoreo del desarrollo fetal. No obstante, la evaluación de imágenes de ECP entre las semanas 18 a 40 del embarazo enfrenta grandes retos debido a la falta de herramientas automatizadas para su clasificación. Actualmente, el diagnóstico depende en gran medida de la interpretación de especialistas, lo que implica largas horas de clasificación manual para análisis más profundos y el almacenamiento de la información. Esta situación se ve agravada en áreas con recursos limitados, donde la escasez de profesionales capacitados y equipos de alta calidad puede comprometer la precisión y accesibilidad de las evaluaciones. La automatización de la clasificación de imágenes ECP podría aliviar la carga de trabajo de los especialistas y mejorar la eficiencia en los análisis. Este estudio propone desarrollar una herramienta basada en aprendizaje profundo para clasificar los distintos planos del cerebro (transventricular, transtalámico y transcerebeloso) en imágenes de ECP. La metodología incluye el preprocesamiento de imágenes, segmentación y clasificación mediante redes neuronales convolucionales. Además, se evaluará el rendimiento del modelo utilizando métricas como precisión, exactitud, sensibilidad y puntuación F1, con validación por profesionales de la salud.