Proyectos finales (grado)
Permanent URI for this collection
Browse
Browsing Proyectos finales (grado) by Subject "APRENDIZAJE PROFUNDO"
Now showing 1 - 7 of 7
Results Per Page
Sort Options
proyecto final de grado.listelement.badge Clasificación de lesiones cutáneas utilizando métodos de procesamiento de imágenes y aprendizaje profundo(2019-10-10) Choi, David Fabián; Migliano, Luciana; Milano, Federico E.; Mosquera, TomásEl objetivo general de este trabajo es "desarrollar métodos de detección precoz de melanoma mediante el uso de un sistema automatizado."proyecto final de grado.listelement.badge Clasificación de tumores renales sólidos a partir de imágenes tomográficas, utilizando algoritmos de deep learning(2022) Rey, Luciana; Mosquera, Candelaria"El objetivo del proyecto es la creación de un sistema automático que utiliza redes convolucionales para la clasificación de carcinomas y oncocitomas, a partir de tomografías computarizadas multifásicas. Esta herramienta propone un diagnóstico sin requerir un procedimiento invasivo y puede servir como apoyo en la toma de decisión de los urólogos."proyecto final de grado.listelement.badge Deep learning en la detección de Alzheimer utilizando imágenes de resonancia magnética(2020-09-22) Paniza, Valentina; Selmo, Carlos"A lo largo de las últimas décadas diferentes modelos de aprendizaje automático han ido explorando diversas áreas de la medicina con el fin de brindarle herramientas de soporte a los profesionales de la salud. Particularmente, técnicas de aprendizaje profundo han resurgido debido a, en gran medida, el aumento de la capacidad computacional y la disponibilidad de nuevos conjuntos de datos masivos. Los avances en esta disciplina contribuyen en la identificación, clasificación y cuantificación de patrones en imágenes médicas. El presente trabajo tiene por objeto extraer patrones de neuroimágenes mediante algoritmos de aprendizaje profundo que den soporte en el diagnóstico de la enfermedad de Alzheimer en adultos mayores en aplicaciones clínicas. El desafío yace en poder distinguir pacientes sanos de enfermos en imágenes donde los patrones cerebrales e intensidades son muy similares."proyecto final de grado.listelement.badge Desarrollo de una herramienta de patología digital para la clasificación de carcinomas endometriales proficientes y deficientes del sistema de reparación del ADN, mediante un algoritmo de inteligencia artificial : Su utilidad clínica y aplicaciones futuras(2023-11-15) Chirkes, Julieta; Gorodisch, Ana; Pombo, María Teresa; Pérez, AdriánLa inteligencia artificial (IA) busca replicar la inteligencia humana en procesos computacionales, creando un campo dentro de las ciencias de la computación que tiene como objetivo la resolución de problemas. Se puede implementar de manera eficiente mediante el desarrollo de diversos algoritmos adaptados a las necesidades del usuario. La patología digital, una excelente herramienta de trabajo en ciencias de la salud, es un entorno dinámico basado en imágenes que permite la adquisición, gestión e interpretación de información patológica generada a partir de un portaobjetos digitalizado. Estas imágenes digitales pueden luego ser almacenadas, compartidas y analizadas digitalmente por los diferentes patólogos y otros profesionales afines, expertos en este área de trabajo. El objetivo de este trabajo es utilizar IA para la predicción de inestabilidad microsatelital en carcinomas endometriales, desarrollando un algoritmo que nos permita separar, de este universo de pacientes, al subgrupo de tumores con sistema de reparación del ADN conservado (Proficiente, subrogante de tumores estables o MSS) de aquellos con el sistema de reparación del ADN deficiente o averiado (Deficiente, subrogante de tumores inestables o MSI). La elección de tumores endometriales para nuestro proyecto radica en la importancia de reconocer el subgrupo MSI, por la respuesta a novedosos tratamientos con inmunoterapia entre otras consideraciones y el aporte invalorable en la simplificación de procesos por parte de la patología digital que describiremos a lo largo de nuestro trabajo. El algoritmo desarrollado se basó en la arquitectura CLAM (Clustering Constrained Attention Multiple Instance Learning) que es un modelo de clasificación de imágenes patol ́ogicas, basado en la atención. Este modelo utiliza aprendizaje profundo en un marco semi supervisado en donde se entrena con WSI (Whole Slide Images) que tienen una única etiqueta (MSI o MSS) para toda la diapositiva. El modelo logra enfocarse en las regiones relevantes de la imagen para luego poder predecir la inestabilidad o estabilidad microsatelital en imágenes desconocidas para el modelo. En primer lugar, se segmentan las regiones de tejido dentro de la diapositiva y se divide la misma en parches más pequeños de 256 x 256 píxeles. Para reducir el costo computacional del modelo, se utiliza una red neuronal convolucional (CNN) para extraer características relevantes de cada uno de los parches. Son estas características las que se utilizan como entrada para el modelo de clasificación. Se entrenó al modelo con dichas características correspondientes a 397 WSI, 169 MSI y 228 MSS obtenidas de los proyectos públicos TCGA-UCEC y CPTAC-UCEC. Cuando se evaluó el modelo en 38 imágenes de dichos conjuntos de datos se obtuvo un 100 % de sensibilidad, 81,6 % de exactitud, 68,2 % de especificidad y 91,5 % de AUROC. Por otro lado, cuando se evaluó el modelo en un conjunto de 51 imágenes obtenidas de muestras retrospectivas de un laboratorio independiente de anatomía patológica, se obtuvo un 90,9 % de sensibilidad, 62,7 % de exactitud, 41,4 % de especificidad y 74,1 % de AUROC. Además se desarrolló un prototipo de interfaz gráfica para que los profesionales afines de diversas instituciones médicas del país puedan acceder a esta herramienta y eficientizar el proceso de elección del tratamiento óptimo. En conclusión y tras un año de dedicación al desarrollo de nuestra plataforma digital, consideramos que proporcionar a pacientes con cáncer la capacidad de ser categorizados, inicialmente, en un subgrupo molecular mediante una coloración tan básica como la Hematoxilina-Eosina (H&E), representa una contribución significativa al avance en el diagnóstico de drivers oncogénicos. Reconociendo que requerirá de un mayor número de casos y de mejoras en el modelo para perfeccionar los resultados, estamos convencidas de haber iniciado un camino que agilizará los tiempos de diagnóstico y ampliará el alcance de la detección de inestabilidad microsatelital y otros biomarcadores moleculares en cáncer.proyecto final de grado.listelement.badge Implementación y validación de un modelo de deep learning para la clasificación de toxicidad de compuestos de interés farmacéutico(2021) Scardino, Valeria; Cavasotto, Claudio N,En el presente trabajo se implementará un modelo Multi Layer Perceptron (MLP) con el objetivo principal de evaluar deep learning en toxicología usando una métrica que tenga en cuenta el desbalance de los datos y la importancia de clasificar mal una de las clases.proyecto final de grado.listelement.badge Segmentación automática de vértebras en imágenes de tomografía computada(2024-09) Cirignoli, Camila; Labrador, María Lourdes; Balla, MateoEl cáncer se posiciona como una de las principales causas de mortalidad a nivel global, siendo la metástasis ósea una complicación frecuente en numerosos pacientes. Las metástasis vertebrales (MV), en particular, pueden comprometer la estabilidad de la columna y provocar problemas neurológicos, requiriendo de intervención quirúrgica. La detección y cuantificación precisa de MV son aspectos fundamentales en el diagnóstico y tratamiento de pacientes con cáncer. Sin embargo, los oncólogos que no están especializados en MV pueden no reconocer estos problemas, lo que puede derivar en tratamientos inadecuados. La segmentación automatizada de vértebras en imágenes de TC ofrece un enfoque prometedor para mejorar estos procesos. Este proyecto de fin de carrera tiene como objetivo principal el desarrollo de un algoritmo de aprendizaje profundo (Deep Learning, o DL por sus siglas en inglés) para la segmentación automática de vértebras en imágenes de tomografía computada (TC). Se focaliza en el diseño y desarrollo de una red neuronal convolucional, o convolutional neural network en inglés (CNN), con arquitectura U-Net, capaz de segmentar automáticamente las vértebras en imágenes axiales de TC. De esta manera se pueden obtener imágenes binarias de las vértebras en un plano axial correspondientes a cada estudio. Se emplearon conjuntos de datos etiquetados previamente para entrenar y evaluar diversas variaciones de la arquitectura de la CNN, seleccionando el modelo con mejor rendimiento. Los resultados muestran que el modelo desarrollado alcanza una alta precisión en la segmentación vertebral, con un coeficiente medio de Dice de 0.88 para los datos de prueba. Este resultado es satisfactorio para la detección de vértebras y, con las mejoras adecuadas, podría representar un paso significativo para el avance hacia la automatización de la detección temprana de MV y la optimización de los recursos clínicos para una mejor asignación de tratamientos y procedimientos quirúrgicos. En conclusión, este trabajo presenta un método basado en CNN que permite la segmentación automatizada de vértebras en imágenes de TC, con potenciales aplicaciones en el diagnóstico y tratamiento de MV. La mejora continua de este algoritmo podría tener un impacto significativo en la práctica clínica y en la calidad de vida de los pacientes afectados por enfermedades vertebrales.proyecto final de grado.listelement.badge Sistema de soporte a la toma de decisiones para la detección de opacidades pulmonares en radiografías de tórax mediante el uso de redes neuronales convolucionales(2022-02) Berrino, Eugenia; Mosquera, Candelaria"La radiografía de tórax es una técnica diagnóstica ampliamente utilizada en todo el mundo debido a que permite obtener representaciones confiables del cuerpo de los pacientes de manera no invasiva, a tiempos cortos, sin la necesidad de preparaciones especiales, con riesgos residuales aceptables y a un costo significativamente menor que otros estudios de imagen. Sin embargo, la interpretación de este estudio de imagen es compleja y presenta una gran variabilidad interobservador (...). Tomando como base el teorema fundamental de la informática biomédica enunciado por Charles Friedman, el cual postula que el trabajo de un profesional en conjunto con una fuente de información es mejor que el mismo profesional trabajando sin ella, se desarrolló un sistema de soporte a la toma de decisiones médicas para la detección de opacidades pulmonares en radiografías de tórax basado en redes neuronales convolucionales. El sistema es capaz de filtrar las imágenes inválidas previamente para garantizar predicciones sobre el tipo de imagen correcta, detectar presencia o ausencia de opacidades pulmonares de manera binaria y, en caso de hallar opacidades, mostrar en la imagen su ubicación. El sistema fue diseñado para ser implementado en la central de emergencias para asistir a médicos no especialistas en imágenes del Hospital Italiano de Buenos Aires (HIBA) y por tanto, se utilizaron imágenes propias del hospital para validar el sistema. Estas últimas pruebas, demostraron la capacidad del mismo para clasificar correctamente el 95 % de las imágenes de un total de 1284 casos."