Maestría en Ingeniería Electrónica

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9025

Browse

Browsing Maestría en Ingeniería Electrónica by browse.metadata.evaluator "Fajardo Ariza, Carlos Augusto"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Design of an End-to-End Deep Learning System for the Spectral Band Selection and the Classification of Near-infrared Spectral Signatures
    (Universidad Industrial de Santander, 2024-05-17) Fonseca Estupiñán, Karen Andrea; Argüello Fuentes, Henry; García Arenas, Hans Yecid; Bacca Quintero, Jorge Luis; Gélvez Barrera, Tatiana Carolina; Fajardo Ariza, Carlos Augusto
    Los datos espectrales proporcionan información específica de los materiales en una amplia gama de longitudes de onda electromagnéticas. Sin embargo, la adquisición de estos datos presenta retos como la redundancia de datos, largos tiempos de adquisición y gran capacidad de almacenamiento. Para hacer frente a estos retos, se introduce la selección de bandas como una estrategia que se centra en utilizar sólo las bandas más relevantes para preservar la información espectral para una tarea específica. Los métodos más avanzados se centran en encontrar las bandas a partir de datos adquiridos previamente, independientemente del sistema óptico y del modelo de clasificación. Sin embargo, algunos métodos de aprendizaje profundo, como extremo a extremo, permiten diseñar sistemas ópticos y aprender los parámetros de la red en conjunto. En este trabajo, modelamos la selección de banda óptica como una capa entrenable acoplada a una red de clasificación cuyos parámetros se aprenden en un marco extremo a extremo. Para garantizar un sistema físicamente implementable, se propusieron dos términos de regularización en el entrenamiento para promover la binarización y el número de bandas seleccionadas, ya que se necesita proporcionar las condiciones para diseñar el elemento físico. También, se implementó un sistema de escaneo de punto, que es la versión emulada de la selección de bandas para firmas espectrales de 15 materiales diferentes. El método propuesto proporciona un mejor rendimiento que los métodos de selección de bandas más avanzados para tres conjuntos de datos espectrales públicos diferentes a pesar de capturar 478 longitudes de onda en una implementación óptica, el mismo rendimiento se logró con datos reducidos, utilizando sólo 4 bandas y en otro sistema se redujo al 2% la cantidad de bandas obteniendo resultados comparables.
  • No Thumbnail Available
    Item
    Estimación del riesgo de parto prematuro a partir del análisis computarizado de imágenes de ultrasonido transvaginal cervicales
    (Universidad Industrial de Santander, 2025-02-10) Cancino Rey, William Andrés; Pertuz Arroyo, Said David; Becerra Mojica, Carlos Hernán; Parra Meza, Carolina; Fajardo Ariza, Carlos Augusto
    El parto prematuro (PP) sigue siendo un problema de salud global. Los esfuerzos de los investigadores se han centrado en desarrollar métodos para detectar a mujeres con alto riesgo de PP en etapas tempranas del embarazo. Aunque existen biomarcadores que intentan detectar PP en el segundo trimestre, la detección en el primer trimestre es lo deseable para implementar estrategias de intervención más tempranas. Este estudio tiene como objetivo desarrollar un algoritmo para estimar el riesgo de parto prematuro espontáneo (PPE) a partir de imágenes de ultrasonido transvaginal (TVUS) del primer trimestre. Se llevó a cabo un estudio retrospectivo de cohorte con mujeres que asistieron a un examen de tamizaje por ultrasonido entre las semanas 11+0 y 13+6. Se recopilaron variables clínicas, que incluyeron información demográfica, longitud cervical (LC), índice de consistencia cervical (ICC) e historial obstétrico, junto con imágenes de TVUS. Estas imágenes fueron sometidas a un análisis radiómico computarizado para extraer características que fueron usadas en el entrenamiento de cinco modelos de aprendizaje automático. El análisis radiómico permite la extracción automática de información clínicamente relevante de las imágenes médicas, transformándolas en variables cuantitativas basadas en medidas de intensidad, morfometría y textura. El área bajo la curva ROC (AUC) y los intervalos de confianza (IC) del 95% evaluaron el rendimiento de los modelos para predecir PPE. Se utilizó una regresión logística para calcular los puntajes de riesgo basados en las medidas cervicales (LC e ICC) individuales y en la combinación del análisis radiómico con las variables clínicas. De 253 mujeres incluidas, 28 experimentaron un PPE. El modelo de Regresión Logística entrenado con las características radiómicas (RadF) mostró el mejor desempeño, con un AUC de 0.67 (IC 95%, 0.57 - 0.77). Al combinar el análisis radiómico con LC e ICC, el AUC aumentó a 0.68 (IC 95%, 0.56 - 0.79) y 0.74 (IC 95%, 0.64 - 0.83), respectivamente. Al integrar RadF con las variables clínicas, el AUC alcanzó 0.79 (IC 95%, 0.69 - 0.88). Estos hallazgos resaltan el potencial del análisis radiómico en la predicción de PPE en el primer trimestre y la importancia de integrar múltiples biomarcadores.