Generación de imágenes médicas mediante aprendizaje de máquinas

Este trabajo de grado se centró en la generación de imágenes médicas sintéticas utilizando modelos de aprendizaje automático, con el objetivo de mitigar la escasez de datos en el área de diagnóstico por imágenes. Se entrenaron y compararon dos enfoques principales: redes generativas adversarias (GANs) y modelos de difusión (DDPM). En particular, se implementaron variantes como DCGAN, InfoGAN y un modelo DDPM basado en reducción de ruido, los cuales fueron evaluados mediante métricas como Fréchet Inception Distance (FID), Inception Score (IS) y Kernel Inception Distance (KID). Las imágenes generadas corresponden a resonancias magnéticas cerebrales de pacientes con distintos tipos de tumores. Los resultados permitieron identificar las fortalezas y limitaciones de cada enfoque, destacando el potencial de estas técnicas para apoyar la formación médica, el desarrollo de algoritmos clínicos y la investigación en contextos con acceso limitado a equipos especializados.

• Autores: Moreno Sierra, Victor Andres; Laguna Guerrero, Luis Carlos
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad de Ibagué
• Repositorio: Repositorio Universidad de Ibagué
• Idioma: spa
• OAI Identifier: oai:repositorio.unibague.edu.co:20.500.12313/5377
• Acceso en línea: https://hdl.handle.net/20.500.12313/5377
• Palabra clave: Resonancia magnética - Imágenes; Redes Adversarias Generativas (GANs); Modelos probabilísticos de difusión mediante reducción de ruido (DDPM); Generación de imágenes médicas; Aprendizaje de máquina; Imágenes de resonancia magnética (MRI); Aprendizaje no supervisado; Aumento de datos; Generative Adversarial Networks (GANs); Denoising Diffusion Probabilistic Models (DDPM); Medical Image generation; Machine Learning; Magnetic Resonance Imaging (MRI); Unsupervised Learning; Data augmentation
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2