Browsing by Subject "Semantic segmentation"

Now showing 1 - 2 of 2
  • 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.
  • 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.