Por favor, use este identificador para citar o enlazar este ítem:
http://www.dspace.espol.edu.ec/handle/123456789/67405| Título : | Segmentación del núcleo subtalámico y sustancia negra cerebral a partir de imágenes de resonancia magnética usando técnicas de inteligencia artificial |
| Autor : | Pachacama Estrella, Walter Wladimir Loayza Paredes, Francis Roderich, Director |
| Palabras clave : | Segmentación Núcleo Subtalámico Sustancia negra cerebral Imágenes Resonancia Magnética Técnicas de Inteligencia Artificial |
| Fecha de publicación : | 2025 |
| Editorial : | ESPOL.FIEC |
| Citación : | Pachacama Estrella W.W. (2025). Segmentación del núcleo subtalámico y sustancia negra cerebral a partir de imágenes de resonancia magnética usando técnicas de inteligencia artificial [ Examen Complexivo] Escuela Superior Politécnica del Litoral |
| Resumen : | CONDITION FOR PUBLICATION OF PROJECT. |
| Descripción : | CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El presente trabajo nace de una inquietud muy concreta: ¿es posible ayudar a mejorar el tratamiento del Parkinson desde el campo de la inteligencia artificial? Partiendo de esa pregunta, se desarrolló este proyecto enfocado en la segmentación automática del núcleo subtalámico y la sustancia negra, dos estructuras cerebrales clave en el tratamiento quirúrgico de esta enfermedad, a partir de IRM. Para alcanzar este objetivo, se construyó un flujo de trabajo completo que inició con un cuidadoso preprocesamiento de las imágenes, incluyendo corrección de inhomogeneidades del campo magnético, alineación AC-PC y recorte centrado en la región de interés. Posteriormente, se entrenaron dos modelos distintos de segmentación: uno basado en redes neuronales convolucionales tridimensionales (CNN U-Net 3D) y otro empleando una arquitectura más reciente conocida como Swin Transformer 3D. Durante el proceso, se adaptaron los datos al contexto clínico y técnico del problema, se optimizó el entrenamiento en un entorno de cómputo limitado, y se evaluaron los resultados mediante métricas específicas de segmentación médica como Dice Score, precisión, recall y exactitud. El modelo CNN mostró un mejor desempeño general, logrando una mayor coincidencia entre sus predicciones y las segmentaciones reales. Sin embargo, el modelo Swin Transformer también ofreció resultados prometedores, especialmente en la detección de las regiones objetivo, aunque con un nivel más alto de falsos positivos. |
| URI : | http://www.dspace.espol.edu.ec/handle/123456789/67405 |
| metadata.dc.identifier.codigoproyectointegrador: | POSTG176 |
| Aparece en las colecciones: | Tesis de Maestría en Ingeniería Biomédica |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| T-115523 POSTG176 PACHACAMA WALTER.pdf | 1.15 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.