Ingeniería Electrónica · 2025

Generación de imágenes médicas mediante aprendizaje de máquinas

La generación de imágenes médicas sintéticas mediante técnicas avanzadas de aprendizaje automático ha cobrado gran relevancia en la investigación debido a la disponibilidad limitada de conjuntos de datos de imágenes diagnósticas, ya sea por su costo o por el riesgo que representan algunas pruebas para los pacientes. Este proyecto se centra en analizar y comparar dos enfoques principales: las Redes Generativas Adversarias (GANs) y los Modelos Probabilísticos de Difusión por Eliminación de Ruido (DDPMs). La metodología consistió en revisar y contextualizar las técnicas existentes para la generación de imágenes médicas, con énfasis en GANs y DDPM, para luego implementar y entrenar modelos adaptados a este contexto. Posteriormente, se aplicaron métricas de evaluación para medir la calidad y fidelidad de las imágenes sintéticas generadas, comparándolas con imágenes reales y sus características clínicas. Finalmente, se analizó la eficiencia en el entrenamiento y rendimiento de los modelos, considerando la calidad de las imágenes, los tiempos de convergencia y la capacidad de generalización. Los modelos se entrenaron utilizando conjuntos de datos médicos disponibles y se ajustaron los parámetros de entrenamiento para optimizar su desempeño. Este estudio brinda un entendimiento más profundo de las fortalezas y limitaciones de cada técnica en el contexto de imágenes médicas, proporcionando lineamientos sobre cuándo y cómo emplearlas para mejorar la disponibilidad de datos sintéticos. Los resultados obtenidos se utilizaron en la construcción de conjuntos de datos más robustos y diversos, facilitando la investigación y el desarrollo de aplicaciones diagnósticas con menor dependencia de imágenes reales escasas o costosas.