Maestría en Ingeniería Biomédica

URI permanente para esta colección

https://repository.urosario.edu.co/handle/10336/26556

Examinar

Examinando Maestría en Ingeniería Biomédica por Director "Perdomo Charry, Oscar Julián"

Mostrando1 - 2 de 2
  • Miniatura
    Ítem
    Acceso Abierto
    Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo
    (2024-02-12) Moreno Luna, Paula Caterine; Perdomo Charry, Oscar Julián; Jaramillo Isaza, Jonnier Sebastián
    El melanoma es un tipo de cáncer de piel que afecta los melanocitos, estas son las células encargadas de la producción de melanina, esta neoplasia es la de mayor mortalidad de todos los cánceres de piel. Durante los últimos años se ha venido presentando un aumento de nuevos casos, por ejemplo, en Colombia las cifras dadas por la Cuenta de Alto Costo lo ubicaron en 2021 como el octavo tumor más frecuente según el número de diagnósticos registrados, y la mortalidad aumentó un 30\% en comparación con el año anterior. Hoy en día existen una gran cantidad de métodos y técnicas para identificarlo en sus etapas tempranas, siendo una de ellas la regla ABCD, la cual a través de las características físicas del lunar puede determinar la sospecha de que este tenga células cancerosas, de manera específica: Si el lunar es asimétrico (A), tiene bordes irregulares (B), más de uno o dos colores (C) y un diámetro mayor a 6 mm (D) tiene una alta probabilidad de que sea melanoma, esta regla ha ganado bastante aceptación clínica para la identificación de esta enfermedad. Con base en esto, el objetivo de este trabajo de maestría fue la adaptación de modelos basados en aprendizaje profundo para la estimación automática de características que puedan clasificar lunares como benignos o malignos, con validación en imágenes obtenidas de la base de datos del \textit{International Skin Imaging Collaboration (ISIC) Challenge Dataset}. Para ello se usaron técnicas clásicas de procesamiento de imágenes para calcular las características ABCD de toda la base de datos y luego se realizó el entrenamiento para clasificación usando: las características, las imágenes y ambos conjuntos de datos, con esto se obtuvo que aquellos modelos donde se usaron tanto las características como las imágenes tuvieron un mejor desempeño, alcanzando mejores métricas de desempeño tanto en entrenamiento como en prueba.
  • Miniatura
    Ítem
    Acceso Abierto
    Identificación de neoplasia intraepitelial cervical mediante el uso de aprendizaje de máquina
    (2024-03-20) Tenjo Castaño, Camilo Antonio; Perdomo Charry, Oscar Julián; Orjuela Cañon, Álvaro David
    Los diagnósticos incorrectos de Neoplasia Intraepitelial Cervical (NIC), impactan directamente en el aumento de la tasa de mortalidad por cáncer cervical. Específicamente, América Latina ha estado entre las regiones con mayores tasas de incidencia y mortalidad en los últimos años. Actualmente existen investigaciones que se enfocan en su prevención teniendo como objetivo el diagnóstico temprano y seguimiento de su lesión predecesora, la Neoplasia Intraepitelial Cervical, también llamada Displasia Cervical. Por tanto, las metodologías basadas en visión computacional y aprendizaje de máquina son vitales, para el desarrollo de herramientas de asistencia diagnóstica temprana para el apoyo de especialistas. El objetivo de esta propuesta de trabajo de grado de maestría es la aplicación de arquitecturas de Aprendizaje Profundo y Transformadores de Visión para clasificar los grados de avance de la Neoplasia Intraepitelial Cervical usando imágenes de colposcopía obtenidas de la base de datos libre generada para el reto Intel & Mobile ODT Cervical Cancer Screening.