Browsing by Subject "Convolutional neural networks"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Desarrollo de un sistema predictivo para el apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante inteligencia artificial y estudios PET
    (Pontificia Universidad Javeriana Cali, 2025) Bolaños Aldana, Alejandra; Castillo Estacio, Nicoll Dayana; Vargas Cardona, Hernán Darío
    La enfermedad de Alzheimer constituye la principal causa de demencia a nivel mundial, afectando a más de 55 millones de personas. No obstante, su diagnóstico temprano continúa siendo un desafío clínico relevante, dado que los métodos convencionales suelen identificar la enfermedad en fases avanzadas, cuando las alternativas terapéuticas son limitadas. En este contexto, el presente trabajo desarrolló un sistema predictivo orientado al apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante el uso de inteligencia artificial aplicada a estudios de tomografía por emisión de positrones (PET). El objetivo principal consistió en integrar técnicas de aprendizaje profundo y aprendizaje automático para la clasificación de pacientes en tres categorías diagnósticas: cognitivamente normal, deterioro cognitivo leve y enfermedad de Alzheimer. La metodología se fundamentó en el uso de datos del repositorio público ADNI, incorporando un total de 5,673 imágenes PET adquiridas con diferentes radiofármacos, así como 4,617 registros clínicos que incluyen variables sociodemográficas, cognitivas y genéticas. Para el análisis de neuroimagen, se implementaron y compararon tres arquitecturas de redes neuronales convolucionales tridimensionales: ResNet3D, un enfoque de transfer learning basado en ResNet10-3D preentrenado y la arquitectura VoxCNN3D. De manera complementaria, se evaluaron modelos clásicos de aprendizaje automático aplicados a datos tabulares, específicamente K-Nearest Neighbors, Naive Bayes y Random Forest. Adicionalmente, se desarrolló un modelo híbrido que integró las representaciones profundas extraídas por ResNet10-3D con variables clínicas procesadas mediante Random Forest, con el fin de aprovechar información multimodal. Los resultados evidenciaron que el modelo híbrido alcanzó el mejor desempeño global, logrando una exactitud del 77.12% en el conjunto de prueba, superando de manera significativa a los modelos individuales. En particular, el sistema obtuvo una precisión del 100% para la clase Alzheimer, un recall del 94.92% para la clase de controles normales y métricas balanceadas para la categoría de deterioro cognitivo leve, lo que refleja una adecuada capacidad discriminativa. Como parte del desarrollo tecnológico, se implementó una interfaz gráfica funcional mediante Gradio, la cual permite la carga de estudios PET, la captura de información clínica, la visualización multiplanar de las neuroimágenes y la generación automática de reportes diagnósticos en formatos TXT y PDF. En conclusión, este trabajo demuestra que la integración multimodal de neuroimagen funcional y datos clínicos, mediante técnicas avanzadas de inteligencia artificial, mejora de forma sustancial el desempeño diagnóstico frente a enfoques unimodales. El sistema propuesto se perfila como una herramienta prometedora de apoyo al diagnóstico clínico, con potencial para fortalecer la detección temprana y la estratificación de pacientes dentro del espectro del deterioro cognitivo.
  • Thumbnail Image
    Item
    Detección de fenómenos territoriales en Santiago de Cali a partir de imágenes VHR
    (Pontificia Universidad Javeriana Cali, 2024) Cardona Hansen, Fernando; Sarria Montemiranda, Gerardo Mauricio
    Las imágenes satelitales son una fuente de datos alternativa en proyectos de ciencia de datos adelantados dentro del sector público en Colombia. Los asentamientos informales son fenómenos propios del crecimiento urbano caracterizados por la concurrencia de condiciones físicas y sociales deficitarias como población en condiciones de vulnerabilidad y falta de acceso a infraestructura de servicios públicos básicos. El uso de imágenes satelitales para identificar y mapear eventos de interés territorial como los asentamientos informales, constituye una alternativa para la implementación de acciones gubernamentales oportunas que sustituyan las medidas reactivas. El proyecto “Detección de fenómenos territoriales en Santiago de Cali usando imágenes VHR” tiene el propósito de desarrollar un modelo de aprendizaje profundo para la detección de asentamientos informales en imágenes satelitales del perímetro urbano de Cali, que contribuya a identificación de este fenómeno por parte de la administración municipal.
  • Thumbnail Image
    Item
    Implementación de técnicas de aprendizaje profundo para la detección automática de tejido cancerígeno en imágenes de histopatología
    (Pontificia Universidad Javeriana Cali, 2025) Cortés Mojica, Luis Guillermo; Sánchez Torres, Johan Sneider; Silva Varela, Carolina; Gil González, Julián
    El cáncer de mama representa una de las principales causas de mortalidad en mujeres a nivel mundial, lo que subraya la importancia de desarrollar herramientas tecnológicas que permitan mejorar la precisión, rapidez y eficacia en su detección. En este contexto, la segmentación semántica basada en técnicas de aprendizaje profundo se perfila como una estrategia para automatizar el análisis de imágenes histopatológicas, que actualmente constituyen el estándar de oro en el diagnóstico de esta enfermedad. Sin embargo, dichas imágenes presentan características visuales complejas, alta variabilidad morfológica y un marcado desbalance de clases, lo cual plantea retos significativos tanto para su procesamiento como para la identificación automática de regiones de interés clínico. Este proyecto tuvo como propósito implementar un modelo de segmentación semántica capaz de detectar de forma automática tejido cancerígeno en imágenes de histopatología de cáncer de mama, mediante el diseño de un pipeline de procesamiento que incluyó análisis exploratorio, preprocesamiento adaptativo, entrenamiento y comparación de modelos. Se evaluaron tres arquitecturas (LinkNet, UNet++ y FPN) combinadas con distintos backbones (EfficientNet-B3, EfficientNet-B7 y ResNet50), empleando métricas como Dice Score e IoU para determinar su rendimiento global y por clase. Los resultados mostraron que la combinación de LinkNet con EfficientNet-B7 alcanzó un Dice Score promedio cercano a 0.80 incluso sin preprocesamiento, lo que evidencia su eficiencia y capacidad de generalización. Asimismo, el uso de técnicas de filtrado, como el filtro bilateral, permitió mejorar la calidad visual de las imágenes preservando estructuras críticas del tejido, lo que se tradujo en un mejor desempeño del modelo, especialmente en clases de difícil segmentación como la necrosis. Entre los principales aportes del estudio se destaca la identificación de configuraciones óptimas para tareas de segmentación en imágenes médicas y la validación de un enfoque metodológico reproducible y robusto. Se espera que los hallazgos de este proyecto contribuyan a fortalecer el desarrollo de herramientas de diagnóstico asistido por inteligencia artificial en el área de la histopatología digital, y que puedan ser aplicados a futuro en sistemas clínicos reales para apoyar la toma de decisiones médicas de forma más precisa y eficiente.