Ingeniería Electrónica · 2026
Mejoramiento del modelo de deep learning y ampliación del módulo de análisis cefalométrico en el software diacefal. Trabajo de grado
El análisis cefalométrico constituye una herramienta fundamental en el diagnóstico y planificación de tratamientos en ortodoncia y cirugía maxilofacial, ya que permite evaluar la relación entre las estructuras óseas y dentales del cráneo. Tradicionalmente, este proceso se realiza de manera manual sobre radiografías laterales, lo cual implica un alto grado de conocimiento especializado, un considerable consumo de tiempo y posibles variaciones en la identificación de los puntos anatómicos debido a la subjetividad del observador. En respuesta a estas limitaciones, han surgido herramientas basadas en inteligencia artificial que buscan automatizar el análisis cefalométrico. En este contexto, el sistema DIACEFAL fue desarrollado inicialmente como una solución orientada a la detección de regiones de interés en radiografías cefalométricas, mediante el uso de técnicas de detección de objetos. No obstante, la primera versión del sistema presentaba una limitación importante: si bien permitía identificar zonas aproximadas donde se ubicaban los puntos anatómicos, no ofrecía la localización exacta de estos, lo cual afectaba la precisión de las mediciones cefalométricas. A partir de esta problemática, surge la necesidad de mejorar la precisión en la detección automática de puntos cefalométricos. En este sentido, el presente trabajo se enfoca en la evolución de una solución existente, mediante la transición de un enfoque basado en detección de objetos hacia un enfoque de detección de puntos clave (keypoint detection), que permita obtener coordenadas precisas de los landmarks anatómicos. De esta manera, se formula la siguiente pregunta de investigación: ¿Cómo mejorar la precisión en la detección automática de puntos cefalométricos en radiografías laterales de cráneo mediante el uso de técnicas de aprendizaje profundo? En coherencia con lo anterior, el objetivo de este trabajo consiste en mejorar el modelo de Deep Learning implementado en el software DIACEFAL, incrementando la precisión en la detección de puntos anatómicos cefalométricos y ampliando las mediciones generadas en el módulo de informes, con el fin de automatizar y mejorar la calidad del análisis cefalométrico como apoyo al diagnóstico clínico. La relevancia de este trabajo radica en que permite transformar un sistema con limitaciones en precisión en una herramienta más robusta y confiable, contribuyendo a la reducción de la variabilidad en el análisis cefalométrico y al apoyo en la toma de decisiones clínicas. Asimismo, este desarrollo evidencia el potencial de la inteligencia artificial para mejorar soluciones existentes en el ámbito de la salud, incrementando su aplicabilidad, precisión y utilidad en entornos clínicos reales.