Browsing by Subject "Redes neuronales convolucionales"

Now showing 1 - 5 of 5
  • Thumbnail Image
    Item
    Clasificación automática de residuos aprovechables y no aprovechables en la Pontificia Universidad Javeriana Cali usando Deep Learning
    (Pontificia Universidad Javeriana Cali, 2023) Torres Tamayo, Juan Esteban; Rosero Mora, Janner Arley; Vargas Cardona, Hernán Darío
    El procesamiento de los residuos sólidos es un problema que viene perjudicando a la humanidad des de hace ya varios años, dando por resultado contaminación y acumulación excesiva de desperdicios en rellenos sanitarios. Todo este panorama ha traído consigo la aplicación de normativas para la clasificación de los residuos para su posterior procesamiento, donde en Colombia la actual normativa dicta tres tipos de residuos: Aprovechables, No Aprovechables y Orgánicos. Sin embargo, aún con la existencia de normativas y campañas educativas sobre el manejo de los residuos sólidos urbanos, la comunidad no realiza adecuadamente la separación de dichos materiales y esto trae consigo un aumento energético laboral en las instalaciones dedicadas al procesamiento de desperdicios que bus can darles un correcto tratamiento a estos. Este trabajo propone la implementación de una herramienta tecnológica que permita realizar una clasificación automática de los residuos orgánicos enfocándose en las instalaciones del campus de la Pontificia Universidad Javeriana Cali. Para ello, se partió de la visión computacional para el reconocimiento de imágenes de residuos los cuales son procesados y clasificados a partir de un algoritmo de Deep Learning que tiene por objetivo identificar y clasificar los residuos entre aprovechables y no aprovechables. Después de un proceso de benchmarking entre modelos implementados con Transfer Learning el modelo escogido alcanza métricas de 0.93 en Accuracy.
  • 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
    Diseño e implementación de modelos de Aprendizaje de Instancias Múltiples para la clasificación débilmente supervisada de imágenes histopatológicas de cáncer de próstata
    (Pontificia Universidad Javeriana Cali, 2025) Restrepo Rosero, Juan José; Belalcázar Perdomo, María Valentina; Gil González, Julián
    Este trabajo de grado presenta el diseño, implementación y evaluación de un pipeline experimental reproducible basado en Aprendizaje de Instancias Múltiples (Multiple Instance Learning, MIL) para la clasificación débilmente supervisada de imágenes de lámina completa (Whole Slide Images, WSI) en cáncer de próstata.El estudio aborda dos desafíos fundamentales de la histopatología digital: la variabilidad interobservador en la gradación tumoral y la escasez de anotaciones locales a nivel de parche. La metodología propuesta integra un esquema de preprocesamiento orientado a la selección de regiones tisulares relevantes mediante ltrado en el espacio de color HSV, extracción de representaciones profundas utilizando una ResNet-50 preentrenada como extractor congelado de características, y entrenamiento de arquitecturas MIL con mecanismos de agregación clásicos y basados en atención. El proceso experimental se desarrolló sobre la base de datos pública SICAPv2 y se evaluó mediante validación cruzada estricta estratificada por paciente (GroupKFold), garantizando la separación completa entre entrenamiento y prueba a nivel de WSI. Los resultados evidencian que los modelos basados en atención, particularmente SmABMIL, superan consistentemente a los enfoques de pooling tradicional en métricas clínicas relevantes a nivel de lámina completa. En promedio, se obtuvo un F1-score superior a 0.83 y una AUC-ROC cercana a 0.86, junto con una mayor estabilidad interfold y mejor equilibrio entre sensibilidad y especificidad. Adicionalmente, la incorporación de mecanismos de atención permitió generar mapas de relevancia espacial coherentes con patrones histopatológicos asociados a malignidad, fortaleciendo la interpretabilidad del sistema. En conjunto, el trabajo demuestra la viabilidad del aprendizaje con supervisión débil para clasificación de cáncer prostático en WSI y establece una base metodológica sólida y reproducible para el desarrollo de sistemas de apoyo a la decisión clínica en patología digital.
  • 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.