Modelo de clasificación de planos cerebrales en ecografías prenatales utilizando aprendizaje de máquina profundo
Loading...
Date
2025
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javariana Cali
Abstract
Las Ecografías Craneales Prenatales (ECP) desempeñan un papel crucial en el monitoreo del desarrollo fetal. No obstante, la evaluación de imágenes de ECP entre las semanas 18 a 40 del embarazo enfrenta grandes retos debido a la falta de herramientas automatizadas para su clasificación. Actualmente, el diagnóstico depende en gran medida de la interpretación de especialistas, lo que implica largas horas de clasificación manual para análisis más profundos y el almacenamiento de la información. Esta situación se ve agravada en áreas con recursos limitados, donde la escasez de profesionales capacitados y equipos de alta calidad puede comprometer la precisión y accesibilidad de las evaluaciones. La automatización de la clasificación de imágenes ECP podría aliviar la carga de trabajo de los especialistas y mejorar la eficiencia en los análisis. Este estudio propone desarrollar una herramienta basada en aprendizaje profundo para clasificar los distintos planos del cerebro (transventricular, transtalámico y transcerebeloso) en imágenes de ECP. La metodología incluye el preprocesamiento de imágenes, segmentación y clasificación mediante redes neuronales convolucionales. Además, se evaluará el rendimiento del modelo utilizando métricas como precisión, exactitud, sensibilidad y puntuación F1, con validación por profesionales de la salud.
Description
item.page.descriptioneng
Prenatal Cranial Ultrasounds (PCEs) play a crucial role in monitoring fetal development. However, the evaluation of DBS images between weeks 18 and 40 of pregnancy faces great challenges due to the lack of automated tools for their classification. Currently, diagnosis relies heavily on interpretation by specialists, which involves long hours of manual classification for deeper analysis and storage of information. This situation is exacerbated in resource-limited areas, where a shortage of trained professionals and high-quality equipment can compromise the accuracy and accessibility of assessments. Automating DBS image classification could alleviate the workload of specialists and improve analysis efficiency. This study proposes to develop a deep learning-based tool to classify the different planes of the brain (transventricular, transthalamic and transcerebellar) in DBS images. The methodology includes image preprocessing, segmentation and classification using convolutional neural networks. Additionally, the performance of the model will be evaluated using metrics such as precision, accuracy, sensitivity and F1 score, with validation by healthcare professionals.
Keywords
Ecografía craneal prenatal, Aprendizaje profundo, Clasificación de planos cerebrales, Procesamiento de imágenes médicas, Automatización en salud, Prenatal cranial ultrasound, Deep learning, Brain plane classification, Medical image processing, Healthcare automation