Escuela de Ingeniería de Sistemas e Informática

Permanent URI for this community

https://noesis.uis.edu.co/handle/20.500.14071/9008

Browse

Browsing Escuela de Ingeniería de Sistemas e Informática by browse.metadata.advisor "Arévalo Ovalle, John Edilson"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Biomarcador digital para la cuantificación de patrones parkinsonianos usando información audiovisual
    (Universidad Industrial de Santander, 2023-07-28) Valenzuela Rincón, Brayan Camilo; Martínez Carrillo, Fabio; Arévalo Ovalle, John Edilson; Pertuz Arroyo, Said David; Malpica González, Norberto Antonio
    La enfermedad de Parkinson es un trastorno neurodegenerativo que afecta a un gran número de personas en todo el mundo. Desordenes del habla y las alteraciones del movimiento facial son síntomas representativos de la enfermedad, estudiados manualmente por neurólogos expertos. En este contexto, se han desarrollado redes neuronales especializadas para el análisis de audio (voz) y vídeo (rostro), con el fin de apoyar el diagnóstico de la enfermedad. En este trabajo, proponemos la integración de representaciones profundas audiovisuales, aprendidas por dos redes neuronales independientes especializadas en el análisis de alteraciones faciales y auditivas. Para ello, se definió un protocolo de captura para adquirir secuencias audiovisuales totalmente sincronizadas en una población de pacientes diagnosticados de enfermedad de Parkinson y sujetos control. Los resultados obtenidos demostraron que la integración de fuentes de información neurológicamente sincronizadas, juega un factor fundamental en la detección de patrones relacionados con la enfermedad de Parkinson, consiguiendo una mejora en el diagnóstico de hasta el 10,22\% del Área bajo la curva ROC (AUC). En particular, los resultados sugieren que la información aprendida por la red de audio actúa de forma complementaria a la información procedente del vídeo, sugiriendo que la simple integración lineal a partir de diferentes modalidades sensoriales, es suficiente para mejorar la detección y diagnóstico de la enfermedad de Parkinson. Este trabajo representa un esfuerzo preliminar hacia el análisis multimodal de estos síntomas, con el objetivo de mejorar tanto la comprensión como el diagnóstico de la enfermedad.
  • No Thumbnail Available
    Item
    Caracterización de lesiones prostáticas en secuencias MRI utilizando un marco de aprendizaje contrastivo profundo
    (Universidad Industrial de Santander, 2023-08-11) Gutiérrez Guate, Yesid Alfonso; Martínez Carrillo, Fabio; Arévalo Ovalle, John Edilson; Acosta Tamayo, Óscar; Delrieux, Claudio Augusto
    El diagnóstico temprano del cáncer de próstata a partir de estudios de MRI biparamétricos (secuencias T2WI y DWI) constituye las nuevas directrices del protocolo PI-RADS-2. A partir de dichas secuencias, las lesiones malignas se caracterizan por sus propiedades morfológicas y de densidad celular. Sin embargo, dicha caracterización es sensible a la alta variabilidad entre diferentes secuencias MRI y zonas de próstata, lo que a menudo resulta en diagnósticos erróneos. Las representaciones actuales de aprendizaje profundo han mostrado resultados prometedores para apoyar el diagnóstico. Sin embargo, estas estrategias suelen requerir una enorme cantidad de hallazgos anotados en secuencias MRI, lo que limita claramente la implementación y aplicación de estas estrategias computacionales en la rutina clínica. Además, las representaciones aprendidas pueden ser sensibles al ruido generado durante las técnicas de aumento de datos. Este trabajo introduce un enfoque de aprendizaje débilmente supervisado a partir de una representación profunda BP-MRI para clasificar lesiones malignas. En primer lugar, se toman parches de tejido redundante de la glándula prostática, lo que permite ajustar una representación para discriminar entre lesiones y tejido control. Esta tarea se realiza bajo un esquema de aprendizaje contrastivo, aprendiendo una proyección de embebidos que agrupa parches similares maximizando la distancia entre las diferentes clases. A continuación, a partir de dicha representación, se lleva a cabo un proceso de fine-tunning para discriminar entre lesiones benignas y malignas relacionadas con lesiones de cáncer de próstata. El enfoque propuesto superó a los estudios de referencia en un conjunto de datos públicos, alcanzando un ROC-AUC de 0,85 utilizando el 80\% de las lesiones anotadas disponibles. Además, utilizando el 20\% de las lesiones, la estrategia propuesta alcanzó un ROC-AUC de 0.80, siendo un resultado prometedor para transferir modelos a la rutina clínica.