Segmentación del núcleo subtalámico y sustancia negra cerebral a partir de imágenes de resonancia magnética usando técnicas de inteligencia artificial

Pachacama Estrella, Walter Wladimir; Loayza Paredes, Francis Roderich, Director

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Maestría en Ingeniería Biomédica
→
Ver ítem

dc.contributor.author	Pachacama Estrella, Walter Wladimir
dc.contributor.author	Loayza Paredes, Francis Roderich, Director
dc.date.accessioned	2026-01-23T16:22:28Z
dc.date.available	2026-01-23T16:22:28Z
dc.date.issued	2025
dc.identifier.citation	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	es_EC
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/67405
dc.description	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.	es_EC
dc.description.abstract	CONDITION FOR PUBLICATION OF PROJECT.	es_EC
dc.publisher	ESPOL.FIEC	es_EC
dc.subject	Segmentación	es_EC
dc.subject	Núcleo	es_EC
dc.subject	Subtalámico	es_EC
dc.subject	Sustancia negra cerebral	es_EC
dc.subject	Imágenes	es_EC
dc.subject	Resonancia Magnética	es_EC
dc.subject	Técnicas de Inteligencia Artificial	es_EC
dc.title	Segmentación del núcleo subtalámico y sustancia negra cerebral a partir de imágenes de resonancia magnética usando técnicas de inteligencia artificial	es_EC
dc.type	Thesis	es_EC
dc.identifier.codigoespol	T-115523
dc.identifier.codigoproyectointegrador	POSTG176