Browsing by Author "Montoya Duque, Juliana"

Now showing 1 - 2 of 2

Desarrollo de un algoritmo para clasificación de lesiones benignas y malignas en imágenes de resonancia magnética de mama usando inteligencia artificial.
(Institución Universitaria Pascual Bravo, 2022) Montoya Duque, Juliana; Fonnegra Tarazona, Ruben Dario; Briñez de León, Juan Carlos
El cáncer de mama es un problema a nivel mundial, es la principal causa de mortalidad en mujeres. Para el diagnóstico de lesiones en mama, normalmente se realiza resonancia magnética sin medio de contraste y con medio de contraste para la clasificación de la lesión. Por otro lado, la Inteligencia Artificial se entiende como la capacidad de las máquinas para usar algoritmos, aprender de los datos y utilizar lo aprendido en la toma de decisiones tal y como lo haría un ser humano. En este sentido, este proyecto tiene como objetivo la clasificación de las lesiones de imágenes postcontraste de resonancia magnética de mama, implementando para ello algoritmos convencionales de clasificación de patrones e Inteligencia Artificial.
Desarrollo de un modelo computacional para la generación de imágenes artificiales post-contraste de MRI orientado a la síntesis de regiones con posibles lesiones tumorales en tejidos de mama
(Institución Universitaria Pascual Bravo, 2024) Montoya Duque, Juliana; Fonnegra Tarazona, Rubén Darío
El cáncer de mama, una de las principales causas de mortalidad en mujeres a nivel mundial, presenta retos significativos en cuanto a su detección temprana y tratamiento. Este proyecto aborda dichos desafíos mediante el desarrollo de un modelo computacional avanzado para la generación de imágenes artificiales post-contraste de resonancia magnética (MRI), orientado específicamente a la síntesis de regiones con posibles lesiones tumorales en tejidos mamarios. La propuesta no solo busca mejorar la calidad del diagnóstico, sino también reducir la dependencia de agentes de contraste y mitigar riesgos asociados a su uso prolongado. La metodología del trabajo se basa en dos enfoques principales: modelos U-Net y redes generativas adversarias (GANs). Para todos los modelos, se introdujo un encoder adicional para combinar la segmentación de lesiones con información global de las imágenes. Además se implementaron 3 estrategias avanzadas de conexión entre espacios latentes para estabilizar el entrenamiento y mejorar la calidad de las imágenes generadas. Las estrategias exploradas incluyen conexiones a través de mapas de características profundas (configuración F), combinaciones lineales de espacios latentes (configuración M) y combinaciones no lineales a través de capas convolucionales (configuración B). Todas estas, orientadas a preservar la estructura y el detalle anatómico de las imágenes y las características de las lesiones tumorales. Los resultados demuestran que las variaciones propuestas (F, M y B) en ambos tipos de modelo superan a las configuraciones U-Net y GAN baseline. Las evaluaciones cuantitativas con métricas como MAE, SSIM y PSNR reflejan una mayor capacidad de las variaciones para preservar características críticas en las imágenes generadas, tanto a nivel global como en regiones de interés (ROI) con tumores. La variación B destacó consistentemente, logrando la mejor optimización y estabilidad durante el entrenamiento, especialmente en las GANs. Estos resultados demuestran que los modelos propuestos permiten generar imágenes sintéticas realistas y de mayor fidelidad en función de tumores en tejidos mamarios. La integración de este trabajo en sistemas de apoyo al diagnóstico radiológico, podría fortalecer los sistemas en optimización de recursos y reducción de riesgo en los pacientes.