Generación de imágenes sintéticas de radiografía de tórax con enfermedad pulmonar obstructiva crónica utilizando técnicas de inteligencia artificial

Sánchez Ocampo, María Manuela

Publicación:
Generación de imágenes sintéticas de radiografía de tórax con enfermedad pulmonar obstructiva crónica utilizando técnicas de inteligencia artificial

dc.contributor.advisor	Bonet Cruz, Isis
dc.contributor.advisor	Montagut, Yeison
dc.contributor.author	Sánchez Ocampo, María Manuela
dc.date.accessioned	2023-12-07T12:29:01Z
dc.date.available	2023-12-07T12:29:01Z
dc.date.issued	2023
dc.description	132 páginas
dc.description.abstract	RESUMEN: La implementación de modelos generativos en la medicina, particularmente en la generación de imágenes diagnósticas de la Enfermedad Pulmonar Obstructiva Crónica (EPOC), representa un avance significativo en la convergencia entre la inteligencia artificial y la práctica clínica. En el presente trabajo se proponen dos modelos de redes neuronales. El primero es AEPOC, diseñado para clasificar la EPOC partiendo de imágenes médicas, con una arquitectura que combina dos autoencoders para extraer los patrones distintivos de cada clase. El segundo modelo es LunGAN, un modelo generativo que sintetiza imágenes que reflejan las características de la EPOC a partir de datos clínicos derivados de los exámenes de función pulmonar. El presente trabajo aborda cuatro etapas importantes. La primera se enfoca en la adquisición y procesamiento de los datos clínicos de la base de datos obtenida del Hospital Pablo Tobón Uribe. La segunda etapa se dedica al análisis detallado de la información estructurada y no estructurada que permiten comprender la patología. La tercera etapa implica el diseño e implementación de múltiples modelos con la finalidad de crear imágenes que presenten las características relevantes de la patología. Finalmente, se realizó la evaluación de la calidad de las imágenes, que permite tener una visión integral sobre la semejanza entre las imágenes reales y generadas, lo cual respalda la capacidad de los modelos para imitar con precisión las imágenes de radiografía de tórax. EL modelo generativo propuesto posee un potencial para transformar los datos clínicos en representaciones visuales, abriendo posibilidades de formación y el aprendizaje de profesionales médicos al simular diversidad de escenarios y manifestaciones de enfermedad sin la necesidad de un gran número de pacientes reales. Este avance señala un futuro prometedor en la unión de la inteligencia artificial con el campo de la medicina, ofreciendo nuevas perspectivas para afrontar y avanzar en los desafíos actuales del tratamiento y diagnóstico pulmonar, con el objetivo de mejorar constantemente la calidad de la atención médica.	spa
dc.description.degreelevel	Doctorado
dc.description.degreename	Doctor en Ingeniería
dc.description.semester	8
dc.format.mimetype	application/pdf
dc.identifier.uri	https://repository.eia.edu.co/handle/11190/6295
dc.language.iso	spa
dc.publisher	Universidad EIA
dc.publisher.faculty	Escuela de Ingeniería y Ciencias Básicas
dc.publisher.place	Envigado (Antioquia, Colombia)
dc.publisher.program	Doctorado en Ingeniería
dc.rights	Derechos Reservados - Universidad EIA, 2023
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.license	Atribución 4.0 Internacional (CC BY 4.0)
dc.subject.proposal	Inteligencia Artificial generativa	spa
dc.subject.proposal	Enfermedad Pulmonar Obstructiva Crónica	spa
dc.subject.proposal	Machine Learning	spa
dc.subject.proposal	Función pulmonar	spa
dc.subject.proposal	Radiografía de tórax	spa
dc.title	Generación de imágenes sintéticas de radiografía de tórax con enfermedad pulmonar obstructiva crónica utilizando técnicas de inteligencia artificial
dc.type	Trabajo de grado - Doctorado
dc.type.coar	http://purl.org/coar/resource_type/c_db06
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content	Text
dc.type.driver	info:eu-repo/semantics/doctoralThesis
dc.type.redcol	http://purl.org/redcol/resource_type/TD
dc.type.version	info:eu-repo/semantics/publishedVersion
dspace.entity.type	Publication