Browsing by Subject "Object detection"

Now showing 1 - 2 of 2
  • 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
    Detección de problemas cardíacos en imágenes digitales mediante modelos de aprendizaje automático y visión por computadora
    (Pontificia Universidad Javeriana Cali, 2025) Tierradentro Muñoz, John Andrés; Sánchez Caviedes, Narly Beatriz; Torres Beltrán, Luisa Fernanda; Gil González, Julián
    Este proyecto abordó el desarrollo de una herramienta computacional capaz de mejorar la precisión y eficiencia en el diagnóstico de patologías cardíacas. Este tema fue de gran relevancia, ya que las enfermedades cardiovasculares son responsables de un tercio de las muertes a nivel global, y el diagnóstico oportuno y preciso resulta fundamental para prevenir complicaciones graves como infartos y accidentes cerebrovasculares. Actualmente, el análisis de imágenes médicas, como ecocardiogramas y resonancias magnéticas, depende principalmente de la experiencia de los especialistas, lo que introduce riesgos de subjetividad, errores humanos y diagnósticos inconsistentes. Además, el creciente volumen de datos médicos genera una sobrecarga para los profesionales de la salud, dificultando la dedicación suficiente a cada caso. El objetivo general del proyecto fue desarrollar un sistema automatizado que detectara obstrucciones cardíacas en imágenes digitales, utilizando técnicas de aprendizaje automático y visión por computadora, con el fin de mejorar la precisión del diagnóstico y reducir el tiempo de análisis. Entre los objetivos específicos se incluyeron la identificación de las características relevantes de las imágenes médicas para el análisis, la selección e implementación de los modelos de aprendizaje más adecuados y la creación de una interfaz gráfica que permitiera a los especialistas interactuar de forma sencilla con la herramienta. Se esperaba que este sistema no solo facilitara la detección precisa de problemas cardíacos, sino que también disminuyera la carga de trabajo de los médicos y redujera el margen de error humano. Como resultados esperados, se contempló el desarrollo de un modelo computacional que ofreciera altos niveles de precisión en la detección de patologías cardíacas, validado con un conjunto de datos de imágenes médicas. Asimismo, la implementación de una interfaz accesible promovió su uso práctico. Las posibles aplicaciones del sistema incluyeron su integración en hospitales y centros médicos para apoyar el diagnóstico de enfermedades cardiovasculares y su uso como herramienta educativa en la formación de nuevos especialistas. Este proyecto buscó contribuir al avance de la medicina digital y ofrecer una solución tecnológica que fortaleciera la atención en salud cardiovascular.