Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica
La investigación aborda el problema de la segmentación automatizada del tejido adiposo en imágenes de tomografía computarizada (TC) para facilitar el diagnóstico y la investigación de la obesidad sarcopénica, una condición caracterizada por la acumulación de grasa y la pérdida de masa muscular. Los...
- Autores:
-
Pérez Castilla, Carlos Mario
García Bernal, Andrés Felipe
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75903
- Acceso en línea:
- https://hdl.handle.net/1992/75903
- Palabra clave:
- Tomografía Computacional
Redes Convolucionales Neuronales
Tejido adiposo
Machine Learning
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| Summary: | La investigación aborda el problema de la segmentación automatizada del tejido adiposo en imágenes de tomografía computarizada (TC) para facilitar el diagnóstico y la investigación de la obesidad sarcopénica, una condición caracterizada por la acumulación de grasa y la pérdida de masa muscular. Los principales desafíos incluyen la subjetividad en la segmentación manual y la necesidad de mejorar la precisión diagnóstica. Se implementaron cinco arquitecturas de redes neuronales convolucionales profundas: U-Net++, ResNet, Dense U-Net, SegNet y Residual U-Net, para evaluar su capacidad de segmentación multiclase del tejido adiposo. El modelo Residual U-Net obtuvo el mejor desempeño global con un coeficiente DICE promedio de 0.9515, destacando por su precisión en clases críticas. La metodología incluyó la preparación del conjunto de datos, el entrenamiento y la validación de los modelos, utilizando métricas como el coeficiente DICE para medir la precisión en cada clase. Los resultados mostraron que el enfoque propuesto es competitivo frente a otros estudios, aunque se identificaron limitaciones en la segmentación de ciertas clases complejas y en su aplicabilidad a otras regiones del cuerpo. Los resultados sugieren que el modelo desarrollado puede ser una herramienta efectiva en la práctica clínica para la evaluación precisa de la composición corporal, especialmente en el abdomen. Sin embargo, futuras investigaciones deberán centrarse en mejorar la segmentación de clases desafiantes y extender su uso a otras áreas anatómicas. |
|---|