Ingeniería de Sistemas

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9263

Browse

Now showing 1 - 8 of 8

Diseño e implementación de un modelo computacional dinámico para evaluar el impacto ambiental de los residuos plásticos durante la emergencia sanitaria debida al COVID-19
(Universidad Industrial de Santander, 2022-09-07) Rojas Casadiego, David Felipe; Galván Álvarez, Nicolás; Romo Bucheli, David Edmundo; Kafarov, Viatcheslav Victorovich; Mantilla Duarte, Carlos Alfonso; Gélvez Cortés, Sergio Augusto
El manejo de los residuos plásticos, un tema fundamental para la preservación del medio ambiente, se ha visto gravemente afectado por la pandemia del COVID-19. Ésta ha dejado en un segundo plano dicha problemática y la ha empeorado, debido al aumento del uso del plástico en elementos de protección personal, plásticos de un solo uso para evitar la propagación del virus, demanda de la venta de verduras y alimentos empacados en plástico, entre otros. Por otro lado, las ciudades de países en vías de desarrollo cuentan con métodos anticuados de gestión de los residuos plásticos. Por lo tanto es necesario desarrollar modelos dinámicos que permitan determinar el impacto de la pandemia COVID-19 en dicha gestión, para informar la toma de decisiones para la gestión adecuada de residuos plásticos. El propósito de este proyecto es modelar el impacto que tiene la situación de emergencia debida al COVID-19 en la gestión de residuos plásticos, de tal manera que se pueda evaluar la huella de residuos plásticos y analizar diversas estrategias de gestión durante diferentes escenarios asociados a esta emergencia sanitaria.
Estrategia de aprendizaje no supervisado para el análisis de imágenes de histopatología en cáncer de mama
(Universidad Industrial de Santander, 2022-09-11) Navas Burgos, María Fernanda; Romo Bucheli, David Edmundo; Martínez Carrillo, Fabio; Hinojosa Montero, Carlos Alberto; Garzón Villamizar, Gustavo Adolfo
El cáncer de mama es el cáncer invasivo más común que afecta a las mujeres alrededor del mundo, con una probabilidad de letalidad del 2,6. En Colombia, se estima que aproximadamente 13,380 mujeres padecieron este tipo de cáncer en el 2018, según datos del Observatorio Global de Cáncer. La graduación del cáncer de mama corresponde a la inspección visual de imágenes histológicas realizada por patólogos expertos. Este análisis permite estimar la agresividad del cáncer y también su recurrencia. Particularmente, tres características histológicas son evaluadas: la formación de túbulos, el pleomorfismo nuclear y la actividad mitótica. Debido a que existen diferencias en la selección de regiones de interés diagnóstico, así como diferencias en la interpretación de los protocolos, es frecuente que exista una variabilidad inter-observador significativa para el grado histológico. Diversas técnicas automáticas de aprendizaje supervisado basadas en ingeniería de características, y también en esquemas de aprendizaje profundo, han sido propuestas en el análisis automático de imágenes histológico de cáncer de mama. Estas técnicas han reportado resultados exitosos en conjuntos de imágenes limitados. En Este trabajo se exploró una estrategía de aprendizaje profundo no supervisado para la identificación de características visuales relevantes para el diagnóstico clínico de cáncer de mama. Este enfoque se evaluó haciendo uso del PSNR para medir la reconstrucción de las imágenes en donde se obtuvo un 88,24412 dB en esta medida. En la tarea de clasificación se utilizaron imágenes provenientes de 11 pacientes donde 2 fueron para evaluación, los resultados conseguidos fueron 0.697 en el área bajo la curva ROC AUC.
Estrategia de aprendizaje profundo para la segmentación no supervisada en patología digital
(Universidad Industrial de Santander, 2024-05-09) Camacho Torres, Julián Camilo; Díaz Gutiérrez, Juan Sebastián; Romo Bucheli, David Edmundo; Moreno Tarazona, Alejandra; Martínez Carrillo, Fabio
La histopatología es área fundamental de la medicina que se ocupa del estudio de las enfermedades a través de la observación microscópica de tejidos y células. Utilizando técnicas de tinción y análisis microscópico, los histopatólogos examinan muestras de tejido obtenidas mediante biopsias, autopsias o cirugías para identificar y diagnosticar enfermedades. Por otro lado, la inteligencia artificial (IA) ha demostrado ser una herramienta valiosa en el campo de la histopatología al mejorar la precisión y eficiencia en el análisis de muestras de tejido. Mediante algoritmos de aprendizaje automático, la IA puede ayudar en la detección y clasificación de células y estructuras patológicas, permitiendo una identificación más rápida y precisa de enfermedades. Con este trabajo, esperamos explorar la capacidad de generalización y robustez de una representación obtenida a través de modelos de segmentación no supervisada en el área de la histopatología. Esta técnica puede mejorar el tiempo en el diagnóstico de los pacientes debido a que los métodos no supervisados no requieren de etiquetas para generar una representación que tiene potencialmente una mejor generalización.
Generación de secuencias cine-mri cardiacas utilizando aprendizaje generativo adversario condicionado por información del corazón
(Universidad Industrial de Santander, 2021) Peña Contreras, Henry Iván; Martínez Carrillo, Fabio; Romo Bucheli, David Edmundo
Las enfermedades cardiacas son el mayor motivo de muerte tanto a nivel localcomo global, registrando mas de 200.000 muertes cada año. Las secuencias cine-MRI soportan ladetección temprana y seguimiento de patologías cardiacas, permitiendo la valoración morfológica yfisiológica de las paredes del corazón durante el ciclo cardiaco. Esta valoración, sin embargo, es hoyen día altamente dependiente del experto observador, lo que puede conducir a una alta subjetividaden su análisis. Técnicas de análisis de imágenes y algoritmos de aprendizaje de máquina, surgenentonces, como herramientas alternativas para soportar el diagnóstico clínico, reducir la variabilidaden los análisis y brindar nuevas descripciones y correlaciones de los patrones que influyen en elbuen funcionamiento cardiaco. Este trabajo desarrolló un modelo computacional basado en redesgenerativas adversarias condicionales para la generación de secuencias cardiacas. Además, se estudiaron mecanismos apriori que permitan generar secuencias sintéticas de cine-MRI coherente ycon sentido de ciertas patologías de entrenamiento. La generación de estas secuencias, guiadaspor un patrón apriori permitió generar descriptores embebidos en la arquitectura, los cuales fueronutilizados como nuevos marcadores de la enfermedad frente a diferentes modelos de clasificación,con el fin de describir patrones espacio-temporales aprendidos desde un conjunto de secuencias de entrenamiento.
MÉTODO DE APRENDIZAJE PROFUNDO SEMISUPERVISADO PARA LA REDUCCIÓN DE FALSOS POSITIVOS , RELACIONADOS CON MITOSIS, EN SECUENCIAS HISTOPATOLÓGICAS.
(Universidad Industrial de Santander, 2022-09-07) Castro Duitama, Santiago Andrés; Martínez Carrillo, Fabio; Romo Bucheli, David Edmundo; González Gómez, Andrés Leonardo; Bacca Quintero, Jorge Luis
El cáncer de mama es la principal causa de muerte por cáncer en las mujeres de todo el mundo. La detección, el conteo y la caracterización de la mitosis es uno de los biomarcadores más predominantes de la enfermedad que permite diagnosticar y cuantificar la agresividad del cáncer y estimar el pronóstico. Sin embargo, la localización de la mitosis sigue siendo un desafío, inclusive para expertos patólogos, donde se reporta una variabilidad interobservador de hasta el 20%, con típicas confusiones entre células sanas y apoptóticas. En la literatura se han propuesto estrategias computacionales para apoyar y soportar la tarea de la detección de mitosis, con resultados destacables por las representaciones profundas que permiten abarcar una amplia variabilidad visual de las células mitóticas, en tareas discriminativas. Estas estrategias, sin embargo, siguen siendo dependientes de un amplio número de observaciones etiquetadas, las texturas observadas en datasets específicos, lo cual puede limitar la representación y sesgar la clasificación. Además, muchas de las estrategias propuestas incurren en un tiempo de estimación exagerado, lo cual puede limitar su implementación en ambientes reales. Este trabajo introduce un esquema semi-supervisado que aprende a localizar patrones mitóticos partiendo de un conjunto limitado de datos. En una etapa inicial, la representación es utilizada para identificar falsos patrones mitóticos, que complementan la representación y permiten propagar pseudo-etiquetas, con su valor de probabilidad en el restante conjunto de entrenamiento. Las muestras falsas positivas y falsas negativas resultantes, se consideran aquí más desafiantes y provechosas para el ajuste de la representación. El enfoque propuesto fue validado con el conjunto de datos público ICPR, logrando resultados competitivos de 0,74 de precisión y 0,78 de sensitividad. Además, el enfoque propuesto logra un tiempo medio de inferencia de 5.21 segundos (en un lote de 240), mientras que otros enfoques tardan un promedio de 30 minutos.
Modelo de predicción de emergencias médicas utilizando métodos de aprendizaje máquina enfocados en el análisis de variables espaciales y temporales
(Universidad Industrial de Santander, 2024-02-14) Taboada Rivera, Frans Guillermo; Romo Bucheli, David Edmundo; González Gómez, Andrés Leonardo; Mantilla Duarte, Carlos Alfonso
Este trabajo de investigación se enfoca en el desarrollo de un modelo de predicción de emergencias médicas en el área metropolitana de Bucaramanga, Colombia, haciendo uso de métodos de aprendizaje máquina y análisis de variables espaciales y temporales. La metodología implementada se basa en el concepto de ventana deslizante para el análisis y modelado de series temporales, y se realizaron experimentos exhaustivos para ajustar la configuración final del modelo. Los resultados obtenidos respaldan la viabilidad de establecer relaciones entre variables temporales y geográficas, especialmente en el contexto crítico de la atención a emergencias médicas. Los datos utilizados provienen principalmente del Centro Regulador de Urgencias y Emergencias del departamento de Santander y la Dirección de Tránsito de Bucaramanga. Se aplicaron procesos como la geocodificación y el relacionamiento espacial para generar vectores de características que incorporaran dependencia espacial y temporal. Además de los datos principales, se recopiló información demográfica, climatológica y de contexto social para evaluar su contribución al modelo. La investigación abarcó más de 40 experimentos, involucrando diversas configuraciones de ventanas deslizantes, pruebas con distintos métodos de normalización y un análisis detallado de las variables resultantes de la ingeniería de características. Este estudio no solo demuestra la capacidad del modelo para prever emergencias médicas, sino que también subraya la importancia de considerar factores temporales y espaciales en la toma de decisiones en el ámbito de la respuesta inmediata. La combinación de técnicas de aprendizaje máquina, análisis geoespacial y la inclusión de variables complementarias fortalece la aplicabilidad y relevancia de este enfoque en el contexto de la atención a emergencias en entornos urbanos.
MODELO ESPACIO-TEMPORAL PARA LA PREDICCIÓN DE DELITOS BASADO EN APRENDIZAJE AUTOMÁTICO
(Universidad Industrial de Santander, 2024-11-07) Pérez Leal, Juan Pablo; Ríos Gutiérrez, Andrés Sebastián; Romo Bucheli, David Edmundo; Bacca Quintero, Jorge Luis; Rueda Chacón, Hoover Fabián
Este trabajo se centra en predecir patrones delictivos de robos a peatones en Bucaramanga, Colombia, usando datos de la Alcaldía disponibles en la plataforma de Datos Abiertos. Para el análisis, se desarrollaron modelos ARIMA y redes neuronales recurrentes (RNN) y de gran memoria a corto plazo (LSTM), junto con modelos espacio-temporales (STNN) que incorporan información geográfica de las comunas. Los resultados muestran que los modelos RNN y LSTM superan a ARIMA en la predicción de robos, mientras que los modelos STNN capturan tendencias generales, aunque con limitaciones para identificar cambios abruptos en las tendencias. La precisión de los modelos se evaluó con el Error Cuadrático Medio Raíz (RMSE), y se utilizaron técnicas de ventaneo temporal y normalización para mejorar su rendimiento. Estos hallazgos pueden ayudar a optimizar recursos y estrategias de seguridad pública en Bucaramanga, además de ofrecer un marco adaptable a otras ciudades. La investigación aporta bases para futuros estudios sobre predicción delictiva y modelos con variables espacio-temporales.
Plataforma para el despliegue y evaluación de modelos de aprendizaje profundo para la clasificación de imágenes histológicas completas a baja magnificación
(Universidad Industrial de Santander, 2024-08-28) Bayona Quesada, Juan Camilo; Fuentes Barragán, Angie Julieth; Romo Bucheli, David Edmundo; Bautista Rozo, Lola Xiomara; Garzón Villamizar, Gustavo Adolfo
La patología es una rama de la medicina que se enfoca en el estudio de las enfermedades a nivel microscópico, investigando sus causas, desarrollo, mecanismos y efectos en los organismos vivos. Con el apoyo de sistemas computacionales, surge la patología digital, que utiliza entornos digitales para el estudio microscópico de la anatomía, los tejidos y sus enfermedades. La utilización de herramientas computacionales en la patología ofrece ventajas como el almacenamiento virtual de muestras, acceso global a ellas y la capacidad de utilizar diversas herramientas de análisis para el soporte diagnóstico. Esto permite identificar patrones en el tejido asociados a enfermedades como el cáncer, infecciones, trastornos inflamatorios y genéticos. La inspección visual de biopsias es una técnica diagnóstica utilizada para examinar pacientes afectados por el cáncer, la cual ofrece resultados determinantes al permitir la observación directa del tejido a nivel microscópico. Las muestras de biopsias pueden ser digitalizadas completamente a alta magnificación utilizando escáneres, como se hace en países desarrollados, con los que se crean bases de datos abiertas para diferentes tipos de cáncer, como cáncer de próstata, cáncer de mama, cáncer cervical, entre otros. Estas bases de datos contienen miles de imágenes digitalizadas a alta magnificación que facilitan la creación y entrenamiento de modelos de aprendizaje profundo. En Colombia, los patólogos suelen examinar la muestra directamente bajo el microscopio para identificar tejido canceroso. En ocasiones se digitalizan las imágenes individuales del campo microscópico, pero esto se limita exclusivamente a las áreas de interés identificadas por el profesional, lo que puede causar sesgos en caso de requerirse una segunda opinión de otro patólogo que no posea acceso a la muestra completa. A la biopsia le es asignado un puntaje histológico que determina su grado de cáncer y que sigue protocolos específicos establecidos para el estudio de cada tipo de cáncer. El propósito de este proyecto es desplegar modelos de clasificación entrenados en imágenes histológicas completas y evaluar estrategias para adaptar esos modelos a imágenes histológicas de baja magnificación que se puedan digitalizar fácilmente a través de un microscopio óptico, mejorando así el soporte de la decisión del grado de cáncer de la muestra en países en vías de desarrollo.

Browse

Browsing Ingeniería de Sistemas by browse.metadata.advisor "Romo Bucheli, David Edmundo"

Results Per Page

Sort Options