Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering

CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El proyecto aborda la detección temprana de anomalías en tomografías torácicas en el contexto de salud preventiva universitaria, con el objetivo de apoyar el diagnóstico clínico mediante inteligencia artificial supervisada. La hipótesis plantea que un modelo de aprendizaje profundo, entrenado con datos preprocesados y balanceados, puede identificar alteraciones torácicas, contribuyendo a la vigilancia epidemiológica institucional y alineándose con el ODS 3: Salud y Bienestar. Para su desarrollo, se recopilaron y depuraron imágenes de bases públicas como NIH ChestX-ray8, incorporando además tuberculosis y neumonía de datasets complementarios. Se aplicaron técnicas de preprocesamiento como segmentación torácica, CLAHE y normalización. Se entrenaron cinco modelos de ML y cinco de DL, comparando su desempeño con métricas AUCROC, accuracy y matrices de confusión. Los resultados mostraron que DenseNet121, entrenado con un dataset combinado de imágenes originales y segmentadas, alcanzó el mejor rendimiento (accuracy: 0.94, AUC: 0.91). Además, la segmentación mejoró la precisión de predicción en la mayoría de las clases, aunque generó limitaciones en casos específicos como enfisema. Se concluye que el uso de IA supervisada fortalece el diagnóstico automatizado y que la calidad del preprocesamiento y balance de clases es determinante para optimizar resultados.

• Auteur principal: Herrera Pérez, Pablo Gabriel (author)
• Autres auteurs: Macias Garzón, Irving Ricardo (author), Peláez Jarrin, Colon Enrique, Director (author)
• Format: bachelorThesis
• Publié: 2025
• Sujets: Inteligencia Artificial; tomografía torácica; detección de anomalías; aprendizaje supervisado
• Accès en ligne: http://www.dspace.espol.edu.ec/handle/123456789/67345