Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning

La presente tesis aborda el desarrollo de una herramienta computacional destinada a la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior, mediante la aplicación de arquitecturas de aprendizaje profundo (Keras, TensorFlow y PyTorch). Se desarrolla una herra...

Full description

Autores:: Camelo Vanegas, Juan David
Obregón Saravia, Angie Luciana
Pedroza Pinzón, Juan Pablo

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_e9faeb8c99a0ad18a72184f22f81829e
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/30823
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning
dc.title.translated.spa.fl_str_mv	Development of a Computational Tool for the Assessment of Surgical Techniques in the Correction of Anterior Glenohumeral Instability Using Deep Learning
title	Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning
spellingShingle	Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning Glenohumeral Instability Deep learning Clinical engineering Medical electronics Medical instruments and devices Biomedical engineering Engineering Biophysics Bioengineering Medicine Biomedical Machine learning Theory of machines Python (Computer program language) Iterative methods (Mathematics) Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Aprendizaje automático (Inteligencia artificial) Teoría de las máquinas Python (Lenguaje de programación de computadores) Métodos iterativos (Matemáticas) Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Inteligencia artificial Inestabilidad glenohumeral
title_short	Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning
title_full	Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning
title_fullStr	Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning
title_full_unstemmed	Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning
title_sort	Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning
dc.creator.fl_str_mv	Camelo Vanegas, Juan David Obregón Saravia, Angie Luciana Pedroza Pinzón, Juan Pablo
dc.contributor.advisor.none.fl_str_mv	Buitrago Castro, Luis Felipe Escobar Jaramillo, Mateo
dc.contributor.author.none.fl_str_mv	Camelo Vanegas, Juan David Obregón Saravia, Angie Luciana Pedroza Pinzón, Juan Pablo
dc.contributor.cvlac.spa.fl_str_mv	Buitrago Castro, Luis Felipe [0001657515] Escobar Jaramillo, Mateo [0001468933]
dc.contributor.googlescholar.spa.fl_str_mv	Escobar Jaramillo, Mateo [es&oi=ao]
dc.contributor.orcid.spa.fl_str_mv	Buitrago Castro, Luis Felipe [0000-0002-1414-1854]
dc.contributor.apolounab.spa.fl_str_mv	Buitrago Castro, Luis Felipe [luis-felipe-buitrago-castro] Escobar Jaramillo, Mateo [mateo-escobar-jaramillo]
dc.subject.keywords.spa.fl_str_mv	Glenohumeral Instability Deep learning Clinical engineering Medical electronics Medical instruments and devices Biomedical engineering Engineering Biophysics Bioengineering Medicine Biomedical Machine learning Theory of machines Python (Computer program language) Iterative methods (Mathematics)
topic	Glenohumeral Instability Deep learning Clinical engineering Medical electronics Medical instruments and devices Biomedical engineering Engineering Biophysics Bioengineering Medicine Biomedical Machine learning Theory of machines Python (Computer program language) Iterative methods (Mathematics) Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Aprendizaje automático (Inteligencia artificial) Teoría de las máquinas Python (Lenguaje de programación de computadores) Métodos iterativos (Matemáticas) Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Inteligencia artificial Inestabilidad glenohumeral
dc.subject.lemb.spa.fl_str_mv	Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Aprendizaje automático (Inteligencia artificial) Teoría de las máquinas Python (Lenguaje de programación de computadores) Métodos iterativos (Matemáticas)
dc.subject.proposal.spa.fl_str_mv	Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Inteligencia artificial Inestabilidad glenohumeral
description	La presente tesis aborda el desarrollo de una herramienta computacional destinada a la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior, mediante la aplicación de arquitecturas de aprendizaje profundo (Keras, TensorFlow y PyTorch). Se desarrolla una herramienta de apoyo al diagnóstico ajustable que permite ser implementado por medio de una interfaz intuitiva que facilita al profesional de la salud en ortopedia lograr una valoración acertada, minimizando los riesgos de precisión de la estimación de la incongruencia articular. Por medio del entorno de programación en Python se logra crear una interfaz en la que se procesan las imágenes de las tomografías a tratar, junto con el procesado de las mismas, logrando obtener como resultado un análisis estadístico descriptivo de la situación del paciente donde se pueda obtener una relación de las variables relevantes en cuestión de la escala de inestabilidad glenohumeral del Gimbernat y así tener un dictamen más asertivo y determinar el grado de inestabilidad para así seleccionar que tipo de cirugía es pertinente para el usuario específico.
publishDate	2024
dc.date.issued.none.fl_str_mv	2024-11-18
dc.date.accessioned.none.fl_str_mv	2025-08-15T13:16:38Z
dc.date.available.none.fl_str_mv	2025-08-15T13:16:38Z
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv	Trabajo de Grado
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/30823
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/30823
identifier_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Bertels, J., Robben, D., Lemmens, R., & Vandermeulen, D. (2022). Convolutional neural networks for medical image segmentation. http://arxiv.org/abs/2211.09562 Burkhart, S. S., DeBeer, J. F., Tehrany, A. M., & Parten, P. M. (2002). Quantifying glenoid bone loss arthroscopically in shoulder instability. Arthroscopy: The Journal of Arthroscopic & Related Surgery, 18(5), 488–491. https://doi.org/10.1053/jars.2002.32212 Cong, T., Charles, S., Reddy, R. P., Fatora, G., Fox, M. A., Barrow, A. E., Lesniak, B. P., Rodosky, M. W., Hughes, J. D., Popchak, A. J., & Lin, A. (2024). Defining Critical Humeral Bone Loss: Inferior Craniocaudal Hill-Sachs Extension as Predictor of Recurrent Instability After Primary Arthroscopic Bankart Repair. The American Journal of Sports Medicine, 52(1), 181–189. https://doi.org/10.1177/03635465231209443 Funakoshi, T., Hartzler, R. U., Stewien, E., & Burkhart, S. S. (2019). Hill-Sachs Lesion Classification by the Glenoid Track Paradigm in Shoulder Instability: Poor Agreement Between 3-Dimensional Computed Tomographic and Arthroscopic Methods. Arthroscopy: The Journal of Arthroscopic & Related Surgery, 35(6), 1743–1749. https://doi.org/10.1016/j.arthro.2018.12.005 García, G., Menéndez, P., & García Rodriguez, D. (n.d.). Tratamiento artroscópico de las lesiones de Hill-Sachs en la inestabilidad glenohumeral. Técnica de «remplissage» - v28n6a8. Jiménez I, Marcos-García A, Medina J, Muratore-Moreno, G., & Caballero-Martel, J. (2016). Técnica de Bristow Latarjet en la inestabilidad glenohumeral anterior. In Acta Ortopédica Mexicana (Vol. 30, Issue 6). www.medigraphic.org.mxArtículooriginalTécnicadeBristow Latarjetenlainestabilidadglenohumeralanteriorhttp://www.medigraphic.com/actaortopedica Kaya, O., & Taşcı, B. (2023). A Pyramid Deep Feature Extraction Model for the Automatic Classification of Upper Extremity Fractures. Diagnostics, 13(21), 3317. https://doi.org/10.3390/diagnostics13213317 Moran, N., Arias, V., Lazo, J., & Melean, P. (2019). Morfologia Glenoidea En La Artrosis Glenohumeral Primaria: Factores Preoperatorios Relevantes. Revista Chilena de Ortopedia y Traumatología, 60(02), 058–066. https://doi.org/10.1055/s-0039-1694017 Moroder, P., Akguen, D., Paksoy, A., Gebauer, H., Barthod-Tonnot, N., Lupetti, M., Markova, V., Zettinig, O., Parada, S., & Karpinski, K. (2024). The Global Track Concept for Assessment of Engaging Hill-Sachs Defects in Anterior Shoulder Instability. The American Journal of Sports Medicine, 52(5), 1292–1298. https://doi.org/10.1177/03635465241232089 Park, M. J., Tjoumakaris, F. P., Garcia, G., Patel, A., & Kelly, J. D. (2011). Arthroscopic Remplissage With Bankart Repair for the Treatment of Glenohumeral Instability With Hill-Sachs Defects. Arthroscopy: The Journal of Arthroscopic & Related Surgery, 27(9), 1187–1194. https://doi.org/10.1016/j.arthro.2011.05.010 Provencher, M. T., Frank, R. M., Golijanin, P., Gross, D., Cole, B. J., Verma, N. N., & Romeo, A. A. (2017). Distal Tibia Allograft Glenoid Reconstruction in Recurrent Anterior Shoulder Instability: Clinical and Radiographic Outcomes. Arthroscopy: The Journal of Arthroscopic & Related Surgery, 33(5), 891–897. https://doi.org/10.1016/j.arthro.2016.09.029 Sagar, A. (2021). ViTBIS: Vision Transformer for Biomedical Image Segmentation (pp. 34–45). https://doi.org/10.1007/978-3-030-90874-4_4 Santiñá, M., Combalia, A., & Prat, A. (2009). Modelo de programa de calidad asistencial en Cirugía Ortopédica y Traumatología. Revista Española de Cirugía Ortopédica y Traumatología, 53(1), 48–53. https://doi.org/10.1016/J.RECOT.2007.12.001 Sezer, A., & Basri Sezer, H. (2020). Convolutional neural network based diagnosis of bone pathologies of proximal humerus. Neurocomputing, 392, 124–131. https://doi.org/10.1016/j.neucom.2018.11.115 Suárez Sanabria, N., & Osorio Patiño, A. M. (2013). Shoulder´s biomechanics and physiological basis for the Codman exercise. Von Eisenhart-Rothe, R., Mayr, H. O., Hinterwimmer, S., & Graichen, H. (2010). Simultaneous 3D Assessment of Glenohumeral Shape, Humeral Head Centering, and Scapular Positioning in Atraumatic Shoulder Instability. The American Journal of Sports Medicine, 38(2), 375–382. https://doi.org/10.1177/0363546509347105
dc.relation.uriapolo.spa.fl_str_mv	https://apolo.unab.edu.co/en/persons/luis-felipe-buitrago-castro
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Bucaramanga (Santander, Colombia)
dc.coverage.temporal.spa.fl_str_mv	2024
dc.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv	Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv	Pregrado Ingeniería Biomédica
dc.publisher.programid.none.fl_str_mv	IBM-1788
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/30823/1/LIBRO%20PROYECTO%20DE%20GRADO%20%281%29.pdf https://repository.unab.edu.co/bitstream/20.500.12749/30823/7/Licencia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/30823/6/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/30823/8/LIBRO%20PROYECTO%20DE%20GRADO%20%281%29.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/30823/9/Licencia.pdf.jpg
bitstream.checksum.fl_str_mv	03913f3af5df17f1156c0729dd04847a c35e992a05b7227fe3ba74bb55e70b5a 3755c0cfdb77e29f2b9125d7a45dd316 b1bf9291cd21adcc87169a9363c9c350 3309368a886a2096b414f03a1e84f853
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1851051877586698240
spelling	Buitrago Castro, Luis Felipe894addeb-3e7a-4edf-be09-dffcbdd46918Escobar Jaramillo, Mateo31eabdd6-4590-4974-871d-59ac3ef11d25Camelo Vanegas, Juan Davidd8091d9b-831c-4b12-abc3-8e67cabe107dObregón Saravia, Angie Lucianabffe3d27-5430-41b1-9074-48f7b4686f0ePedroza Pinzón, Juan Pablo7b3b0151-cd62-4105-8e1f-0efb4c49fa79Buitrago Castro, Luis Felipe [0001657515]Escobar Jaramillo, Mateo [0001468933]Escobar Jaramillo, Mateo [es&oi=ao]Buitrago Castro, Luis Felipe [0000-0002-1414-1854]Buitrago Castro, Luis Felipe [luis-felipe-buitrago-castro]Escobar Jaramillo, Mateo [mateo-escobar-jaramillo]Bucaramanga (Santander, Colombia)2024UNAB Campus Bucaramanga2025-08-15T13:16:38Z2025-08-15T13:16:38Z2024-11-18http://hdl.handle.net/20.500.12749/30823instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLa presente tesis aborda el desarrollo de una herramienta computacional destinada a la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior, mediante la aplicación de arquitecturas de aprendizaje profundo (Keras, TensorFlow y PyTorch). Se desarrolla una herramienta de apoyo al diagnóstico ajustable que permite ser implementado por medio de una interfaz intuitiva que facilita al profesional de la salud en ortopedia lograr una valoración acertada, minimizando los riesgos de precisión de la estimación de la incongruencia articular. Por medio del entorno de programación en Python se logra crear una interfaz en la que se procesan las imágenes de las tomografías a tratar, junto con el procesado de las mismas, logrando obtener como resultado un análisis estadístico descriptivo de la situación del paciente donde se pueda obtener una relación de las variables relevantes en cuestión de la escala de inestabilidad glenohumeral del Gimbernat y así tener un dictamen más asertivo y determinar el grado de inestabilidad para así seleccionar que tipo de cirugía es pertinente para el usuario específico.Lista de figuras ......................................................................................................... 5 Lista de tablas ........................................................................................................... 6 Agradecimientos ....................................................................................................... 7 Resumen .................................................................................................................... 8 Abstract ..................................................................................................................... 9 Capítulo 1 ................................................................................................................ 10 Problema de investigación .................................................................................... 10 Justificación .......................................................................................................... 12 Pregunta de investigación ..................................................................................... 14 Objetivo general ................................................................................................... 14 Objetivos específicos ............................................................................................ 14 Capítulo 2 ................................................................................................................ 15 Estado del arte ...................................................................................................... 15 Marco teórico ........................................................................................................ 18 Marco legal ........................................................................................................... 23 Capítulo 3 ................................................................................................................ 24 Metodología .............................................................................................................. 24 Fase 1. Diseño del frontend .................................................................................. 25 1.1 Identificación de requerimientos del software............................................ 25 1.2 Desarrollo del Frontend. ............................................................................. 26 1.3 Implementación de librerías y Frameworks. .............................................. 27 Fase 2. Desarrollo del backend. ............................................................................ 27 2.1. Preprocesamiento....................................................................................... 27 2.2. Modelado ................................................................................................... 28 2.3. Posprocesamiento ...................................................................................... 30 Fase 3. Implementación pruebas de usabilidad. ................................................... 30 3.1. Definición de objetivos de usabilidad. ...................................................... 30 3.2 Diseño del instrumento de medición. ......................................................... 31 3.3 Aplicación de pruebas de usabilidad. ......................................................... 32 3.4 Análisis estadístico descriptivo. ................................................................. 32 Capítulo 4 ................................................................................................................ 34 Resultados y Análisis de Resultados ........................................................................ 34 1. Mockups ....................................................................................................... 34 2. Tabla de rendimiento e imágenes de la segmentación hecha. ...................... 39 3. Gráficos y tablas de estudios realizados ....................................................... 43 Gráficos estadísticos descriptivos ......................................................................... 44 Capítulo 5 ................................................................................................................ 48 Conclusiones y recomendaciones ......................................................................... 48 Conclusiones ......................................................................................................... 48 Recomendaciones ................................................................................................. 49 Bibliografía .............................................................................................................. 50PregradoThis book addresses the development of a computational tool aimed at evaluating surgical techniques in the correction of anterior glenohumeral instability, through the application of deep learning architectures (Keras, TensorFlow and PyTorch). An adjustable diagnostic support tool is developed that can be implemented through an intuitive interface that makes it easier for the orthopedic health professional to achieve an accurate assessment, minimizing the risks of precision in the estimation of joint incongruity. Through the Python programming environment, it is possible to create an interface in which the images of the tomography to be treated are processed, along with their processing, resulting in a descriptive statistical analysis of the patient's situation where it can be obtain a list of the relevant variables in question from the Gimbernat glenohumeral instability scale and thus have a more assertive opinion and determine the degree of instability in order to select what type of surgery is relevant for the specific user.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep LearningDevelopment of a Computational Tool for the Assessment of Surgical Techniques in the Correction of Anterior Glenohumeral Instability Using Deep LearningIngeniero BiomédicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería BiomédicaIBM-1788info:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPGlenohumeral InstabilityDeep learningClinical engineeringMedical electronicsMedical instruments and devicesBiomedical engineeringEngineeringBiophysicsBioengineeringMedicineBiomedicalMachine learningTheory of machinesPython (Computer program language)Iterative methods (Mathematics)Ingeniería biomédicaIngenieríaBiofísicaBioingenieríaMedicinaBiomédicaAprendizaje automático (Inteligencia artificial)Teoría de las máquinasPython (Lenguaje de programación de computadores)Métodos iterativos (Matemáticas)Ingeniería clínicaElectrónica médicaInstrumentos y aparatos médicosInteligencia artificialInestabilidad glenohumeralBertels, J., Robben, D., Lemmens, R., & Vandermeulen, D. (2022). Convolutional neural networks for medical image segmentation. http://arxiv.org/abs/2211.09562Burkhart, S. S., DeBeer, J. F., Tehrany, A. M., & Parten, P. M. (2002). Quantifying glenoid bone loss arthroscopically in shoulder instability. Arthroscopy: The Journal of Arthroscopic & Related Surgery, 18(5), 488–491. https://doi.org/10.1053/jars.2002.32212Cong, T., Charles, S., Reddy, R. P., Fatora, G., Fox, M. A., Barrow, A. E., Lesniak, B. P., Rodosky, M. W., Hughes, J. D., Popchak, A. J., & Lin, A. (2024). Defining Critical Humeral Bone Loss: Inferior Craniocaudal Hill-Sachs Extension as Predictor of Recurrent Instability After Primary Arthroscopic Bankart Repair. The American Journal of Sports Medicine, 52(1), 181–189. https://doi.org/10.1177/03635465231209443Funakoshi, T., Hartzler, R. U., Stewien, E., & Burkhart, S. S. (2019). Hill-Sachs Lesion Classification by the Glenoid Track Paradigm in Shoulder Instability: Poor Agreement Between 3-Dimensional Computed Tomographic and Arthroscopic Methods.Arthroscopy: The Journal of Arthroscopic & Related Surgery, 35(6), 1743–1749. https://doi.org/10.1016/j.arthro.2018.12.005García, G., Menéndez, P., & García Rodriguez, D. (n.d.). Tratamiento artroscópico de las lesiones de Hill-Sachs en la inestabilidad glenohumeral. Técnica de «remplissage» - v28n6a8.Jiménez I, Marcos-García A, Medina J, Muratore-Moreno, G., & Caballero-Martel, J. (2016). Técnica de Bristow Latarjet en la inestabilidad glenohumeral anterior. In Acta Ortopédica Mexicana (Vol. 30, Issue 6). www.medigraphic.org.mxArtículooriginalTécnicadeBristow Latarjetenlainestabilidadglenohumeralanteriorhttp://www.medigraphic.com/actaortopedicaKaya, O., & Taşcı, B. (2023). A Pyramid Deep Feature Extraction Model for the Automatic Classification of Upper Extremity Fractures. Diagnostics, 13(21), 3317. https://doi.org/10.3390/diagnostics13213317Moran, N., Arias, V., Lazo, J., & Melean, P. (2019). Morfologia Glenoidea En La Artrosis Glenohumeral Primaria: Factores Preoperatorios Relevantes. Revista Chilena de Ortopedia y Traumatología, 60(02), 058–066. https://doi.org/10.1055/s-0039-1694017Moroder, P., Akguen, D., Paksoy, A., Gebauer, H., Barthod-Tonnot, N., Lupetti, M., Markova, V., Zettinig, O., Parada, S., & Karpinski, K. (2024). The Global Track Concept for Assessment of Engaging Hill-Sachs Defects in Anterior Shoulder Instability. The American Journal of Sports Medicine, 52(5), 1292–1298. https://doi.org/10.1177/03635465241232089Park, M. J., Tjoumakaris, F. P., Garcia, G., Patel, A., & Kelly, J. D. (2011). Arthroscopic Remplissage With Bankart Repair for the Treatment of Glenohumeral Instability With Hill-Sachs Defects. Arthroscopy: The Journal of Arthroscopic & Related Surgery, 27(9), 1187–1194. https://doi.org/10.1016/j.arthro.2011.05.010Provencher, M. T., Frank, R. M., Golijanin, P., Gross, D., Cole, B. J., Verma, N. N., & Romeo, A. A. (2017). Distal Tibia Allograft Glenoid Reconstruction in Recurrent Anterior Shoulder Instability: Clinical and Radiographic Outcomes. Arthroscopy: The Journal of Arthroscopic & Related Surgery, 33(5), 891–897. https://doi.org/10.1016/j.arthro.2016.09.029 Sagar, A. (2021). ViTBIS: Vision Transformer for Biomedical Image Segmentation (pp. 34–45). https://doi.org/10.1007/978-3-030-90874-4_4Santiñá, M., Combalia, A., & Prat, A. (2009). Modelo de programa de calidad asistencial en Cirugía Ortopédica y Traumatología. Revista Española de Cirugía Ortopédica y Traumatología, 53(1), 48–53. https://doi.org/10.1016/J.RECOT.2007.12.001Sezer, A., & Basri Sezer, H. (2020). Convolutional neural network based diagnosis of bone pathologies of proximal humerus. Neurocomputing, 392, 124–131. https://doi.org/10.1016/j.neucom.2018.11.115Suárez Sanabria, N., & Osorio Patiño, A. M. (2013). Shoulder´s biomechanics and physiological basis for the Codman exercise.Von Eisenhart-Rothe, R., Mayr, H. O., Hinterwimmer, S., & Graichen, H. (2010). Simultaneous 3D Assessment of Glenohumeral Shape, Humeral Head Centering, and Scapular Positioning in Atraumatic Shoulder Instability.The American Journal of Sports Medicine, 38(2), 375–382. https://doi.org/10.1177/0363546509347105https://apolo.unab.edu.co/en/persons/luis-felipe-buitrago-castroORIGINALLIBRO PROYECTO DE GRADO (1).pdfLIBRO PROYECTO DE GRADO (1).pdfTesisapplication/pdf1575827https://repository.unab.edu.co/bitstream/20.500.12749/30823/1/LIBRO%20PROYECTO%20DE%20GRADO%20%281%29.pdf03913f3af5df17f1156c0729dd04847aMD51open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf2412849https://repository.unab.edu.co/bitstream/20.500.12749/30823/7/Licencia.pdfc35e992a05b7227fe3ba74bb55e70b5aMD57metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/30823/6/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD56open accessTHUMBNAILLIBRO PROYECTO DE GRADO (1).pdf.jpgLIBRO PROYECTO DE GRADO (1).pdf.jpgIM Thumbnailimage/jpeg5272https://repository.unab.edu.co/bitstream/20.500.12749/30823/8/LIBRO%20PROYECTO%20DE%20GRADO%20%281%29.pdf.jpgb1bf9291cd21adcc87169a9363c9c350MD58open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg13254https://repository.unab.edu.co/bitstream/20.500.12749/30823/9/Licencia.pdf.jpg3309368a886a2096b414f03a1e84f853MD59metadata only access20.500.12749/30823oai:repository.unab.edu.co:20.500.12749/308232025-08-15 22:01:15.031open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Desarrollo de una herramienta computacional para la valoración de técnicas quirúrgicas en la corrección de la inestabilidad glenohumeral anterior mediante Deep Learning

Publicaciones similares