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 mod...
Сохранить в:
| Главный автор: | |
|---|---|
| Другие авторы: | , |
| Формат: | bachelorThesis |
| Опубликовано: |
2025
|
| Предметы: | |
| Online-ссылка: | http://www.dspace.espol.edu.ec/handle/123456789/67345 |
| Метки: |
Добавить метку
Нет меток, Требуется 1-ая метка записи!
|
Добавить метку | _version_ | 1858337187418865664 |
|---|---|
| author | Herrera Pérez, Pablo Gabriel |
| author2 | Macias Garzón, Irving Ricardo Peláez Jarrin, Colon Enrique, Director |
| author2_role | author author |
| author_facet | Herrera Pérez, Pablo Gabriel Macias Garzón, Irving Ricardo Peláez Jarrin, Colon Enrique, Director |
| author_role | author |
| collection | Repositorio Escuela Superior Politécnica del Litoral |
| dc.creator.none.fl_str_mv | Herrera Pérez, Pablo Gabriel Macias Garzón, Irving Ricardo Peláez Jarrin, Colon Enrique, Director |
| dc.date.none.fl_str_mv | 2025 2026-01-19T20:25:56Z 2026-01-19T20:25:56Z |
| dc.identifier.none.fl_str_mv | Herrera Pérez P.G; Macias Garzón I.R. (2025). Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering [Proyecto Integrador] Escuela Superior Politécnica del Litoral http://www.dspace.espol.edu.ec/handle/123456789/67345 T-115485 TECH-418 |
| dc.publisher.none.fl_str_mv | ESPOL.FIEC |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositorio Escuela Superior Politécnica del Litoral instname:Escuela Superior Politécnica del Litoral instacron:ESPOL |
| dc.subject.none.fl_str_mv | Inteligencia Artificial tomografía torácica detección de anomalías aprendizaje supervisado |
| dc.title.none.fl_str_mv | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering |
| dc.type.none.fl_str_mv | info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/bachelorThesis |
| description | 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. |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | ESPOL_1c371ea0a67ac7930dd3a581aa4abfc0 |
| identifier_str_mv | Herrera Pérez P.G; Macias Garzón I.R. (2025). Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering [Proyecto Integrador] Escuela Superior Politécnica del Litoral T-115485 TECH-418 |
| instacron_str | ESPOL |
| institution | ESPOL |
| instname_str | Escuela Superior Politécnica del Litoral |
| network_acronym_str | ESPOL |
| network_name_str | Repositorio Escuela Superior Politécnica del Litoral |
| oai_identifier_str | oai:www.dspace.espol.edu.ec:123456789/67345 |
| publishDate | 2025 |
| publisher.none.fl_str_mv | ESPOL.FIEC |
| reponame_str | Repositorio Escuela Superior Politécnica del Litoral |
| repository.mail.fl_str_mv | . |
| repository.name.fl_str_mv | Repositorio Escuela Superior Politécnica del Litoral - Escuela Superior Politécnica del Litoral |
| repository_id_str | 1479 |
| spelling | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clusteringHerrera Pérez, Pablo GabrielMacias Garzón, Irving RicardoPeláez Jarrin, Colon Enrique, DirectorInteligencia Artificialtomografía torácicadetección de anomalíasaprendizaje supervisadoCONDICIONAMIENTO 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.CONDITION FOR PUBLICATION OF PROJECT. project addresses the early detection of anomalies in chest computed tomography within the framework of preventive healthcare at the university level, aiming to support clinical diagnosis through supervised artificial intelligence. The hypothesis states that a deep learning model, trained with preprocessed and balanced data, can identify pulmonary abnormalities, contributing to institutional epidemiological surveillance and aligning with SDG 3: Good Health and Well-being. For its development, images were collected and filtered from public databases such as NIH ChestX-ray8, incorporating additional tuberculosis and pneumonia datasets. Preprocessing techniques such as thoracic segmentation, CLAHE, and normalization were applied. Ten models between machine learning and deep learning were trained and their performance was compared using AUC-ROC, accuracy, and confusion matrices. The results showed that DenseNet121, trained with a combined dataset of original and segmented images, achieved the best performance (accuracy: 0.94, AUC: 0.91). Moreover, segmentation improved predictions in most classes, although it introduced limitations in specific cases such as emphysema. It is concluded that supervised AI enhances automated diagnosis, and that preprocessing quality and class balance are key factors in optimizing outcomes. Keywords: artificial intelligence, chest tomography, anomaly detection, supervised learningESPOL.FIEC2026-01-19T20:25:56Z2026-01-19T20:25:56Z2025info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisHerrera Pérez P.G; Macias Garzón I.R. (2025). Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering [Proyecto Integrador] Escuela Superior Politécnica del Litoralhttp://www.dspace.espol.edu.ec/handle/123456789/67345T-115485TECH-418info:eu-repo/semantics/openAccessreponame:Repositorio Escuela Superior Politécnica del Litoralinstname:Escuela Superior Politécnica del Litoralinstacron:ESPOL2026-01-19T20:27:23Zoai:www.dspace.espol.edu.ec:123456789/67345Institucionalhttps://www.dspace.espol.edu.ec/Universidad públicahttps://www.espol.edu.ec/.https://www.dspace.espol.edu.ec/oaiEcuador...opendoar:14792026-01-19T20:27:23falseInstitucionalhttps://www.dspace.espol.edu.ec/Universidad públicahttps://www.espol.edu.ec/.https://www.dspace.espol.edu.ec/oai.Ecuador...opendoar:14792026-01-19T20:27:23Repositorio Escuela Superior Politécnica del Litoral - Escuela Superior Politécnica del Litoralfalse |
| spellingShingle | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering Herrera Pérez, Pablo Gabriel Inteligencia Artificial tomografía torácica detección de anomalías aprendizaje supervisado |
| status_str | publishedVersion |
| title | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering |
| title_full | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering |
| title_fullStr | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering |
| title_full_unstemmed | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering |
| title_short | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering |
| title_sort | Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering |
| topic | Inteligencia Artificial tomografía torácica detección de anomalías aprendizaje supervisado |
| url | http://www.dspace.espol.edu.ec/handle/123456789/67345 |