Maestría en Inteligencia Artificial
Segmentación de radiografías pélvicas en reemplazo total de cadera utilizando variantes de U-Net : hacia la automatización morfométrica
Solo ficha. El repositorio marca este trabajo como «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.»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
El reemplazo total de cadera (RTC) es un procedimiento ampliamente realizado para el tratamiento del estadio final de la osteoartrosis, y la evaluación radiográfica seriada desempeña un papel crítico en el seguimiento postoperatorio para detectar complicaciones y evaluar la orientación del implante. Sin embargo, la interpretación de estas radiografías sigue siendo en gran medida manual, laboriosa y sujeta a variabilidad inter observador. Para abordar esta limitación, presentamos una línea de procesamiento basada en aprendizaje profundo para la segmentación automática multiclase de radiografías anteroposteriores de pelvis de pacientes sometidos a RTC. La metodología integra la anotación manual de 740 radiografías, un preprocesamiento sistemático y una estrategia de entrenamiento robusta. Se implementaron y compararon cuatro arquitecturas basadas en U-Net: U-Net Básico, U-Net Residual, EfficientNet-U-Net y Attention U-Net, con el objetivo de evaluar su desempeño en la segmentación de 17 estructuras anatómicas y protésicas. Aunque el U-Net Residual alcanzó el mayor coeficiente de similitud de Dice global promedio (DSC = 0.865), todos los modelos demostraron un rendimiento comparable, lo que sugiere una sólida capacidad basal para esta tarea. El análisis por clase reveló desafíos persistentes en la segmentación de estructuras pequeñas, delgadas o infrecuentes, como los elementos de osteosíntesis. Estos resultados respaldan la viabilidad de la segmentación basada en aprendizaje profundo como un paso fundamental hacia la evaluación radiográfica automatizada en imágenes postoperatorias en RTC.