Identificación automática de ataque cerebrovascular (ACV) isquémico mediante la aplicación de técnicas de Deep Learning en imágenes de tomografía computarizada

Hurtado Bustos, Sebastián; Valencia Amaya, Santiago

Identificación automática de ataque cerebrovascular (ACV) isquémico mediante la aplicación de técnicas de Deep Learning en imágenes de tomografía computarizada

dc.contributor.advisor	Vargas Cardona, Hernán Darío
dc.contributor.author	Hurtado Bustos, Sebastián
dc.contributor.author	Valencia Amaya, Santiago
dc.date.accessioned	2025-01-31T14:05:20Z
dc.date.available	2025-01-31T14:05:20Z
dc.date.issued	2025
dc.description.abstract	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.
dc.description.abstracteng	Ischemic stroke (CVA) occurs when a blood clotIt blocks an artery in the brain, leading to an interruption of blood flow and depriving brain cells of oxygen and nutrients, being the second cause of death worldwide according to the WHO and is one of the leading causes of long-term disability. On the other hand, misinformation is an important factor that aggravates the problem, giving priority to working on raising awareness of it. The main objective of the project is to train diagnostic support models that can help health professionals detect ischemic stroke more quickly and accurately, which could have a significant impact on the treatment and recovery of patients. as well as in reducing the associated costs and socioeconomic impact of this disease. The models implement deep learning techniques based on 3-dimensional convolutional neural networks (CNN3D) which were used as feature extractors on computational tomography (CT) studies. After processing the data set with all deep learning models, SVM classifiers were applied with the linear, RBF and polynomial kernels using Grid Search to adjust hyperparameters, KNN evaluated with 3 and 5 neighbors; Multilayer Perceptron (MLP) and XGBoost. For each classifier, 10 repetitions were performed with a 70-30% partition (random Hold-Out), and the average value ± standard deviation of the accuracy, sensitivity, specificity, F1-Score, and AUCROC was reported. The experimental scheme allowed us to demonstrate that 3D CNNs work very well asrelevant information extractors in CT, to automatically identify stroke.
dc.format.extent	125 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	https://vitela.javerianacali.edu.co/handle/11522/4372
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javariana Cali
dc.publisher.faculty	Facultad de Ingeniería y Ciencias
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-nd/4.0/
dc.subject	ACV isquémico
dc.subject	Redes neuronales convolucionales (CNN)
dc.subject	Deep learning
dc.subject	Procesamiento de imágenes
dc.subject	Tomografía Computacional
dc.subject	Ischemic Stroke
dc.subject	Convolutional Neural Networks (CNNs)
dc.subject	Deep Learning
dc.subject	Image Processing
dc.subject	Computed Tomography (CT)
dc.thesis.discipline	Facultad de Ingeniería y Ciencias. Ingeniería Biomédica
dc.thesis.grantor	Pontificia Universidad Javeriana Cali
dc.thesis.level	Pregrado
dc.thesis.name	Ingeniero(a)biomédico(a)
dc.title	Identificación automática de ataque cerebrovascular (ACV) isquémico mediante la aplicación de técnicas de Deep Learning en imágenes de tomografía computarizada	eng
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP