Browsing by Subject "Medical imaging"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Sistema basado en deep learning para el análisis de imágenes de cápsula endoscópica del intestino delgado
    (Pontificia Universidad Javeriana Cali, 2025) Pabón Andrade, Juan José; Pantoja Londoño, Ingrid Nathalia; Torres Valencia, Cristian Alejandro; Noreña Agudelo, Gonzalo
    El presente trabajo describe el diseño y desarrollo de un sistema automatizado basado en deep learning para el análisis de imágenes obtenidas mediante cápsula endoscópica del intestino delgado. El objetivo general consistió en facilitar la identificación, clasificación y localización aproximada de anomalías en dichas imágenes, buscando reducir la carga de trabajo del especialista y mejorar la precisión diagnóstica. Para ello, se seleccionó una base de datos pública que incluye imágenes correspondientes a diferentes patologías y estructuras anatómicas del intestino delgado, las cuales fueron sometidas a un proceso de preprocesamiento para estandarizar su formato y mejorar la calidad de los datos. Posteriormente, se entrenaron y validaron tres modelos de redes neuronales convolucionales, evaluando su desempeño con métricas estándar de clasificación. Los modelos entrenados lograron diferenciar de forma precisa las imágenes según su clase, obteniendo resultados satisfactorios tanto en la detección de patologías como en la identificación de hitos anatómicos, lo que facilitó aproximar la ubicación distal o proximal de dichas imágenes. Finalmente, se integraron los modelos seleccionados en una interfaz gráfica, brindando al usuario la capacidad de interactuar con el sistema de forma intuitiva. Este desarrollo constituye un aporte relevante desde la ingeniería biomédica, al proponer una herramienta de apoyo diagnóstico. Asimismo, se establecen las bases para futuras mejoras relacionadas con la ampliación de la base de datos y la implementación del sistema en escenarios reales de atención médica.
  • Thumbnail Image
    Item
    Sistema de clasificación de la genética tumoral del Glioblastoma Multiforme
    (Pontificia Universidad Javeriana Cali, 2026) Castillo Garzón, Juan Pablo; Pineda Toro, Julio César; Torres Valencia, Cristian Alejandro
    El glioblastoma multiforme es el tumor cerebral maligno primario más agresivo en adultos, con una mediana de supervivencia de 15 meses. La distinción entre el glioblastoma con mutación del gen isocitrato deshidrogenasa y el de tipo wildtype tiene implicaciones pronósticas y terapéuticas directas, pero su determinación convencional requiere biopsia tisular invasiva. Este trabajo tuvo como objetivo desarrollar un sistema de aprendizaje automático que clasifique de forma no invasiva el estado mutacional del gen isocitrato deshidrogenasa en glioblastoma multiforme a partir de imágenes de resonancia magnética multiparamétrica, como herramienta de soporte diagnóstico. Se consolidó una base de datos de 527 casos con etiqueta mutacional validada provenientes de tres repositorios públicos internacionales, con un desbalance de clases de 6.6:1 entre ambas variantes. Sobre este conjunto se desarrolló un pipeline automatizado que integra la eliminación del cráneo me- diante redes neuronales con HD-BET, la segmentación tumoral automática con SegResNet BraTS23, y la extracción y selección de características radiómicas sobre la secuencia con gadolinio. A partir de 1130 características extraídas se retuvieron 30 descriptores con mayor poder discriminativo para entrenar un modelo de regresión logística. Paralelamente, se entrenaron dos arquitecturas de apren- dizaje profundo volumétrico con transferencia de aprendizaje: SegResNet BraTS23 y MedicalNet ResNet-18. Ambos enfoques incorporaron estrategias explícitas de compensación del desbalance de clases durante el entrenamiento. Los modelos fueron evaluados sobre un conjunto de prueba independiente de 106 casos mediante métricas robustas frente al desbalance. El modelo de regresión logística obtuvo el mejor rendimiento global con área bajo la curva de 0.9138, especificidad del 90.22 por ciento y coeficiente de corre- lación de Matthews de 0.5953. MedicalNet ResNet-18 con transferencia de aprendizaje alcanzó un área bajo la curva de 0.9014 con sensibilidad del 85.71 por ciento, sugiriendo que ambos enfoques son competitivos y podrían capturar información complementaria sobre la heterogeneidad tumoral asociada al estado mutacional. Los resultados fueron integrados en una plataforma interactiva que permite cargar imágenes en formatos nativos de resonancia magnética, ejecutar el pipeline completo de inferencia, visualizar la segmentación tumoral mediante un explorador volumétrico interactivo y exportar un reporte con los resultados. Los hallazgos sugieren la viabilidad técnica de clasificar de forma no invasiva el estado mutacional del gen isocitrato deshidrogenasa mediante resonancia magnética, con potencial para complementar los métodos histopatológicos convencionales en entornos de investigación clínica.