Sporathe knowledge network
ES
Universidad Nacional de Colombia

Medellín - Minas - Maestría en Ingeniería - Analítica · 2026

Desarrollo de un modelo de red neuronal profunda para la identificación de ovocitos y sus características a través de microscopía polarizada

La identificación precisa de ovocitos y la evaluación de su maduración son determinantes en reproducción asistida. La microscopía de luz polarizada (PLM) permite visualizar el huso meiótico, la zona pelúcida, el límite del citoplasma y el cuerpo polar sin comprometer la integridad celular. La escasez de bases de datos anotadas de imágenes PLM limita el desarrollo de modelos de detección automatizada. Esta tesis presenta un método que aborda esta limitación con dos contribuciones. Primero, se generó una base de datos sintética de imágenes polarizadas de ovocitos: 526.392 imágenes con las cuatro estructuras morfológicas clave mediante modelación paramétrica y etiquetado automático, un recurso que no existe actualmente de forma pública. Segundo, se desarrolló un método de entrenamiento y selección de redes YOLO (v8-v12) y RT-DETR para la detección de las estructuras morfológicas en imágenes PLM, con preentrenamiento en datos sintéticos y transferencia de aprendizaje en imágenes reales. Se evaluaron 13 configuraciones; entre los modelos estándar, YOLOv9m resultó el de mejor rendimiento en imágenes estáticas para la detección de las cuatro estructuras morfológicas (mAP50 = 0,902, mAP50-95 = 0,627), con mejoras notables frente a modelos entrenados solo en datos sintéticos. Adicionalmente, se desarrollaron y evaluaron cuatro modelos personalizados con módulos de atención, derivados de los modelos estándar con mejor desempeño en esa tarea de detección. Estos modelos mostraron una mejor capacidad de transferencia del dominio sintético al real en los experimentos de control, en comparación con sus contrapartes estándar. En particular, la variante YOLOv9m-CBAM, con 156 capas y 20.032.494 parámetros, mostró una ventaja específica en la detección del límite del citoplasma, respaldada por una evaluación exploratoria en secuencias de video reales en las que detectó de forma estable estructuras que el modelo estándar no detectó y redujo los falsos positivos de huso meiótico. Por ello, YOLOv9m-CBAM se adopta como modelo de referencia del trabajo para el escenario de aplicación clínica (monitoreo continuo en video PLM). El modelo detecta de forma robusta las cuatro estructuras. Para zona pelúcida, huso meiótico y límite del citoplasma se alcanzan valores de mAP50 >= 0,955; el cuerpo polar, el más desafiante, muestra una mejora marcada tras transferencia de aprendizaje. Los resultados confirman la viabilidad de la metodología utilizada para aplicaciones biomédicas con datos anotados escasos y ofrecen una estrategia práctica para herramientas de evaluación automatizada en reproducción asistida. En conjunto, se identifica la arquitectura que permite detectar las estructuras morfológicas asociadas al estado de maduración del ovocito a partir de imágenes PLM: YOLOv9m ofrece el mejor desempeño en imágenes estáticas, mientras que YOLOv9m-CBAM, seleccionado como modelo de referencia para el escenario de video clínico, aporta mayor estabilidad y robustez en la detección fotograma a fotograma. (Texto tomado de la fuente)

Full text 170 pages with text

Read the full thesis Record in the repository

Its library's thesaurus