Bioingeniería · 2024
Procesamiento de señales e imágenes cerebrales para la detección de traumas craneoencefálicos
Record only. The repository marks this work as “De acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.”: the PDF is not public, so there is no text to read here. View the record in the repository.
Abstract
Los traumatismos craneoencefálicos (TEC) son lesiones que afectan al cerebro y su funcionamiento, ocasionadas con mayor frecuencia por fuerzas externas u objetos que penetran el cráneo. Los síntomas y consecuencias pueden durar desde unas horas hasta varios meses. Por ello, la correcta clasificación y diagnóstico de estos traumatismos por parte del personal médico debe ser preciso y rápido. De lo contrario, el paciente puede sufrir consecuencias permanentes que afecten su conducta, habilidades cognitivas y motoras e incluso causar su muerte en los casos más graves. Por ello, se desarrolló una herramienta computacional que utiliza señales digitales, procesamiento de imágenes y modelos de inteligencia artificial para la clasificación de los TCE. El modelo fue entrenado para clasificar los datos del paciente en dos posibilidades: con o sin TCE. Para ello, se buscaron bases de datos públicas, compuestas por imágenes anatómicas y funcionales cerebrales, las cuales pasaron por etapas de condicionamiento y preprocesamiento con el fin de extraer sus principales características y así entrenar Modelos de Machine Learning y Deep Learning. Una vez obtenidos los mejores modelos de Machine Learning, se realizó una etapa de regularización y optimización de hiperparámetros de los modelos, los cuales fueron posteriormente probados en 50 iteraciones y se reportaron métricas de desempeño del modelo como Accuracy, F1 score y AUC (area under curve). Se encontró que los mejores modelos de clasificación optimizados de Machine Learning fueron Fine KNN, RUSBoosted, Bagged Trees con resultados de precision de 80.96%, 78% y 81.84%, F1 score de 81.07%, 78.8% y 80.6%, respectivamente y AUC de 80.07%, 77.5% y 82.4% respectivamente. No obstante, los modelos de Deep Learning no tuvieron un buen desempeño en este caso de estudio. Es importante mencionar que el diseño de este sistema depende del flujo de trabajo especificado en la metodología, la calidad de las imágenes anatómicas que permiten que haya una correcta segmentación, el desbalance entre las clases dentro de la base de datos utilizada, la cantidad de datos para entrenamiento y prueba de los modelos tiene un gran impacto en el desempeño del sistema de detección.