Browsing by Subject "Redes neuronales convolucionales (CNN)"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Detección de la enfermedad de Alzheimer mediante resonancia magnética para asistir en el proceso de diagnóstico
    (Pontificia Universidad Javeriana Cali, 2023) Meléndez Mejía, Daniela; Vargas Cardona, Hernán Darío
    La detección temprana del Alzheimer es crucial para los pacientes, ya que, al recibir el tratamiento adecuado y pertinente, lo que puede retrasar o incluso prevenir la progresión de la enfermedad. En la mayoría de los casos, los primeros síntomas de EA son fáciles de identificar, como la pérdida de memoria, la dificultad para realizar tareas cotidianas y la desorientación. Sin embargo, estos síntomas a menudo son confundidos con signos normales de envejecimiento, lo que puede retrasar el diagnóstico y el tratamiento. En este trabajo, se empleó deep learning (DL) mediante redes neuronales convolucionales, como VGGNet, ResNet e Inception, en combinación con imágenes de resonancia magnética del Atlas de Neuroimagen del Alzheimer (ADNI) para identificar anomalías típicas en pacientes con EA. Se tuvo en cuenta la revisión de trabajos previos relevantes en el marco teórico, los cuales serán útiles para la detección de la enfermedad mediante el uso de etiquetas binarias. La metodología propuesta permitió una detección más efectiva y precisa de la enfermedad en sus primeras etapas, lo que a su vez será de gran importancia para futuras investigaciones en el campo de la medicina.
  • Thumbnail Image
    Item
    Identificación automática de ataque cerebrovascular (ACV) isquémico mediante la aplicación de técnicas de Deep Learning en imágenes de tomografía computarizada
    (Pontificia Universidad Javariana Cali, 2025) Hurtado Bustos, Sebastián; Valencia Amaya, Santiago; Vargas Cardona, Hernán Darío
    El ataque cerebrovascular isquémico (ACV) ocurre cuando un coágulo de sangrebloquea una arteria del cerebro, llevando a una interrupción del flujo sanguíneo y privando a las células cerebrales de oxígeno y nutrientes, siendo la segunda causa de muerte a nivel mundial según la OMS y es de las primeras causas de discapacidad a largo plazo. Por otro lado, la desinformación es un factor importante que agrava la problemática, dando prioridad a trabajar en la concientización de este. El proyecto tiene como objetivo principal entrenar modelos para apoyo al diagnóstico que puedan ayudar a los profesionales de la salud a detectar de manera más rápida y precisa el ACV isquémico, lo que podría tener un impacto significativo en el tratamiento y la recuperación de los pacientes, así como en la reducción de los costos asociados y el impacto socioeconómico de esta enfermedad. Los modelos implementan técnicas de aprendizaje profundo basadas en redes neuronales convolucionales en 3 dimensiones (CNN3D) las cuales se usaron como extractores de características sobre estudios de tomografía computacional (CT). Luego de procesar el conjunto de datos con todos los modelos de deep learning, se aplicaron clasificadores SVM con los kernels lineal, RBF y polinomial utilizando Grid Search para ajustar hiperparámetros, KNN evaluado con 3 y 5 vecinos; Perceptrón Multicapa (MLP) y XGBoost. Para cada clasificador se realizaron 10 repeticiones con partición 70-30 % (Hold-Out aleatorio), y se reportó el valor promedio ± desviación estándar de la exactitud, sensibilidad, especificidad, F1-Score, y AUCROC. El esquema experimental permitió demostrar que las CNN 3D funcionan muy bien comoextractores de información relevante en CT, para identificar automáticamente ACV.