ALGORITMO PARA LA MEDICIÓN AUTOMÁTICA DE LA LONGITUD CERVICAL A PARTIR DE IMÁGENES DE ULTRASONIDO TRANSVAGINAL

Valenzuela Sánchez, María Fernanda

ALGORITMO PARA LA MEDICIÓN AUTOMÁTICA DE LA LONGITUD CERVICAL A PARTIR DE IMÁGENES DE ULTRASONIDO TRANSVAGINAL

dc.contributor.advisor	Cancino Rey, William Andres
dc.contributor.advisor	Pertuz Arroyo, Said David
dc.contributor.author	Valenzuela Sánchez, María Fernanda
dc.contributor.evaluator	Cabeza Gutiérrez, Natalia Johana
dc.contributor.evaluator	Rodríguez Ferreira, Julián Gustavo
dc.date.accessioned	2025-05-21T18:13:48Z
dc.date.available	2025-05-21T18:13:48Z
dc.date.created	2025-05-20
dc.date.issued	2025-05-20
dc.description.abstract	El parto prematuro (PP) es un importante problema de salud pública a nivel mundial, que afecta aproximadamente a 15 millones de embarazos cada año. Uno de los indicadores más fiables del riesgo de PP es la longitud cervical (LC), la cual se mide manualmente en imágenes de ecografía transvaginal (ETV). Sin embargo, las mediciones manuales están sujetas a variabilidad entre operadores, lo que limita su fiabilidad. Para mejorar la consistencia y la automatización, este estudio propone un enfoque basado en aprendizaje profundo para la evaluaci ´on de la LC. Se desarrolló un modelo basado en redes neuronales convolucionales (CNN) para detectar las posiciones de los calibradores y estimar la LC. Para lograr esto, primero se segmentó el tercio medio del cuello uterino en imágenes ETV del primer trimestre utilizando una red U-Net. Estas segmentaciones se usaron luego para entrenar el modelo de detección de calibradores, permitiendo la medición automática de la LC. El conjunto de datos incluyó a 311 mujeres embarazadas de dos centros especializados en salud materno-fetal. El modelo de segmentación fue evaluado utilizando el coeficiente de Dice, la distancia media de superficie (MSD) y la tasa de error de area (AER), logrando una puntuación Dice de 0.83 (IC del 95 %: 0.78–0.88), una MSD de 8.89 mm (IC del 95 %: 5.47–12.31), y una AER de 607 mm² (IC del 95 %: 402–812). Para la medición de la LC, el modelo basado en CNN obtuvo un error relativo (RE) de 0.19 (IC del 95 %: 0.14, 0.25) en la fase de prueba. Si bien las estimaciones fueron cercanas a la longitud real, se observaron algunas discrepancias debido a errores de segmentación y a la variabilidad en la colocaci ´on de los calibradores. Este estudio representa un avance hacia la automatización de la medición de la LC, reduciendo la subjetividad.
dc.description.abstractenglish	Preterm birth (PTB) is a major global public health concern, affecting approximately 15 million pregnancies annually. One of the most reliable indicators of PTB risk is cervical length (CL), which is manually measured in transvaginal ultrasound (TVUS) images. However, manual measurements are subject to inter-operator variability, limiting their reliability. To improve consistency and automation, this study proposes a deep learning-based approach for CL evaluation. A CNN-based model was developed to detect caliper positions and estimate CL. To achieve this, the mid-third of the cervix in first-trimester TVUS images was first segmented using a U-Net network. These segmentations were then used to train the caliper detection model, enabling the automated measurement of CL. The dataset included 311 pregnant women from two specialized maternal-fetal health centers. The segmentation model was evaluated using Dice coefficient, mean surface distance (MSD), and area error rate (AER), achieving a Dice score of 0.83 (95 % CI: 0.78–0.88), an MSD of 8.89 mm (95 % CI: 5.47–12.31), and an AER of 607 mm² (95 % CI: 402–812). For CL measurement, the CNN-based model obtained a relative error (RE) of 0.19 (95 % CI: 0.14, 0.25) in the test phase. While the estimates were close to the actual length, some discrepancies remained due to segmentation errors and variability in caliper placement. This study represents a step toward automating CL measurement, reducing subjectivity, and improving PTB risk detection in early pregnancy.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/45569
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Parto prematuro
dc.subject	longitud cervical
dc.subject	ecografía transvaginal
dc.subject	redes neuronales convolucionales
dc.subject	detección de calibrador
dc.subject	segmentación de imágenes
dc.subject.keyword	Preterm birth
dc.subject.keyword	cervical length
dc.subject.keyword	transvaginal ultrasound
dc.subject.keyword	convolutional neural networks
dc.subject.keyword	Caliper detection
dc.subject.keyword	image segmentation.
dc.title	ALGORITMO PARA LA MEDICIÓN AUTOMÁTICA DE LA LONGITUD CERVICAL A PARTIR DE IMÁGENES DE ULTRASONIDO TRANSVAGINAL
dc.title.english	ALGORITHM FOR THE AUTOMATIC MEASUREMENT OF CERVICAL LENGTH FROM TRANSVAGINAL ULTRASOUND IMAGES
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado