Super-resolución en estudios de MRI mediante técnicas de aprendizaje profundo
| dc.contributor.advisor | Vargas Cardona, Hernán Darío | |
| dc.contributor.author | Arcos Ramírez, Carlos Manuel | |
| dc.contributor.author | Ortega Solarte, Rafael Giovanny | |
| dc.contributor.author | Daza Malagón, Charles Erasmo | |
| dc.date.accessioned | 2025-11-07T15:40:28Z | |
| dc.date.available | 2025-11-07T15:40:28Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | Este proyecto se centró en aplicar técnicas de super-resolución basadas en aprendizaje profundo, tanto en 2D como en 3D, para mejorar la resolución espacial de estudios de resonancia magnética (MRI) anatómicos tipo T1. La calidad de las imágenes médicas es crucial para una adecuada interpretación clínica, pero suele verse limitada por factores técnicos durante su adquisición. Esta problemática motivó la implementación de soluciones computacionales que permitan incrementar la resolución de las imágenes sin necesidad de repetir estudios. Los objetivos incluyeron gestionar estudios MRI anatómicos T1 de bases de datos públicas, implementar y entrenar algoritmos de super resolución y evaluar su desempeño mediante indicadores cuantitativos como PSNR, SSIM, MSE y evaluaciones perceptuales, utilizando imágenes de referencia como Gold Standard. Para ello, se gestionó un conjunto de datos reales, públicos y anonimizados provenientes de la iniciativa Parkinson’s Progression Markers Initiative (PPMI), con el fin de entrenar y validar distintos modelos. Se implementaron arquitecturas como SRCNN, U-Net, EDSR, VDSR, DRCN, Autoencoder, SRGAN, SRResNet, SRDenseNet, cGAN y SR3, en sus variantes 2D o 3D según el caso. Los resultados mostraron que ciertas arquitecturas, como SRResNet 2D, SRDenseNet 2D, UNet 3D, EDSR 3D y SRCNN 3D, destacaron por su capacidad de reconstruir imágenes con alta fidelidad estructural, mientras que otras como VDSR, DRCN, SRGAN y cGAN presentaron un rendimiento aceptable, aunque con oportunidades de mejora. Por otro lado, Autoencoder 2D y SR3 demostraron limitaciones significativas en esta tarea específica. Estas observaciones sugieren que los modelos basados en bloques residuales o con estructuras encoder-decoder son especialmente prometedores para su uso futuro. Este trabajo resalta la utilidad del aprendizaje profundo como herramienta clave para la mejora computacional de imágenes médicas, con aplicaciones que pueden contribuir a diagnósticos más precisos, reducción de costos y desarrollo de tecnologías asistidas en imagenología médica. | spa |
| dc.description.abstract | This project focused on applying deep learning-based super-resolution techniques, both in 2D and 3D, to enhance the spatial resolution of anatomical T1-weighted magnetic resonance imaging (MRI) studies. The quality of medical images is crucial for accurate clinical interpretation, but it is often limited by technical factors during acquisition. This issue motivated the implementation of computational solutions that allow increasing image resolution without the need to repeat studies. The objectives included managing anatomical T1 MRI studies from public databases, implementing and training super-resolution algorithms, and evaluating their performance using quantitative metrics such as PSNR, SSIM, MSE, and perceptual assessments, with reference images used as the gold standard. To achieve this, a real, public, and anonymized dataset from the Parkinson’s Progression Markers Initiative (PPMI) was managed to train and validate various models. Architectures such as SRCNN, U-Net, EDSR, VDSR, DRCN, Autoencoder, SRGAN, SRResNet, SRDenseNet, cGAN, and SR3 were implemented in their 2D or 3D variants as appropriate. The results showed that certain architectures, such as SRResNet 2D, SRDenseNet 2D, UNet 3D, EDSR 3D, and SRCNN 3D, stood out for their ability to reconstruct images with high structural fidelity, while others like VDSR, DRCN, SRGAN, and cGAN showed acceptable performance, though with room for improvement. On the other hand, Autoencoder 2D and SR3 demonstrated significant limitations in this specific task. These observations suggest that models based on residual blocks or encoder-decoder structures are particularly promising for future use. This work highlights the usefulness of deep learning as a key tool for computational enhancement of medical images, with applications that can contribute to more accurate diagnoses, cost reduction, and the development of assisted technologies in medical imaging. | eng |
| dc.description.degreelevel | Maestría | |
| dc.description.degreename | Magíster en Ciencia de Datos | |
| dc.format.extent | 67 p. | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.uri | http://hdl.handle.net/11522/5067 | |
| dc.language.iso | spa | |
| dc.publisher | Pontificia Universidad Javeriana Cali | |
| dc.publisher.department | Facultad de Ingeniería y Ciencias | |
| dc.publisher.program | Maestría en Ciencia de Datos | |
| dc.rights.accessrights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights.creativecommons | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Aprendizaje profundo | spa |
| dc.subject | Super-resolución | spa |
| dc.subject | Redes neuronales | spa |
| dc.subject | Imágenes de resonancia magnética | spa |
| dc.subject | Mejoramiento de imágenes | spa |
| dc.subject | Deep learning | eng |
| dc.subject | Super-resolution | eng |
| dc.subject | Neural networks | eng |
| dc.subject | Magnetic resonance images | eng |
| dc.subject | Image enhancement | eng |
| dc.title | Super-resolución en estudios de MRI mediante técnicas de aprendizaje profundo | spa |
| dc.type | master thesis | |
| dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Maestría | |
| dc.type.redcol | https://purl.org/redcol/resource_type/TM |
Files
Original bundle
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: