Browsing by Subject "Medical image processing"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Implementación de un modelo de aprendizaje profundo de máquinas para la detección de cáncer de seno
    (Pontificia Universidad Javeriana Cali, 2024) Ávila Gómez, Jair Orlando; Maldonado Benavides, Fabián Alonso; Bermúdez Murillo, Laura Yohana; Forero Vargas, Manuel Guillermo; Castaño Idárraga, Omar Andrés
    El objetivo principal de este trabajo es implementar un modelo de aprendizaje profundo para la detección de cáncer de seno mediante el análisis de imágenes médicas obtenidas a través de mamografías. Se propone el desarrollo y entrenamiento de un sistema capaz de identificar nódulos sospechosos en estas imágenes. Para lograrlo, se utilizarán diversas arquitecturas convolucionales, como VGG16, VGG19, RESNET y RESNET50, así como Visión Transformer (VIT)
  • 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.