Examinando por Materia "Deep Learning"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Desarrollo de un modelo basado en aprendizaje profundo con arquitectura LSTM extendida para el diagnóstico computacional de crisis epilépticas mediante señales EEG
    (Universidad Latina de Panamá, 2025) Ramos Villarreal, Eliecer Alberto [autor]; Lescher, Alfredo [asesor]; Ceron, Manuel [director]
    La presente investigación tiene como finalidad, diseñar e implementar un modelo de red neuronal híbrido CNN–BiLSTM para la detección de crisis epilépticas utilizando señales EEG. Se empleó el dataset CHB-MIT, compuesto por registros clínicos multicanal con anotaciones ictales, y se aplicaron técnicas de preprocesamiento como filtrado paso banda, filtro notch y normalización Z-score. Las características fueron extraídas mediante FFT y DWT, capturando información tanto en el dominio de la frecuencia, como en el tiempo. El modelo fue entrenado, con una arquitectura de doble entrada para combinar ambas fuentes de información, evaluando su rendimiento mediante validación cruzada y pruebas en pacientes no vistos. Los resultados mostraron un desempeño destacado, con una precisión del 95.45% y un AUC de 0.94, lo que evidencia su potencial clínico. Asimismo, se exploró la capacidad de generalización del modelo en señales EEG de diferentes orígenes, confirmando su robustez frente a variabilidad interpaciente y de adquisición. Este estudio demuestra la eficacia de combinar técnicas de extracción multiespectral y arquitecturas profundas para abordar el reto de la detección automática de eventos epilépticos, contribuyendo al desarrollo de sistemas de monitoreo continuo y diagnóstico asistido por inteligencia artificial.
  • Miniatura
    PublicaciónAcceso abierto
    Desarrollo de un modelo basado en procesamiento de imágenes médicas con inteligencia artificial para la detección y clasificación de tumores intracraneales en adultos masculinos
    (Universidad Latina de Panamá, 2026) Palomino Chanis, Ariel Osvaldo [autor]; Lescher, Alfredo [asesor]; Ceron, Manuel [diredctor]
    De manera general, la presente investigación se enfocó en el desarrollo de un sistema inteligente para la detección y clasificación automatizada de tumores cerebrales mediante imágenes (MRI), Utilizando técnicas de procesamiento digital de imágenes e inteligencia artificial basadas en Deep Learning. El estudio surgió a partir de la necesidad de analizar computacionalmente imágenes médicas, considerando que la identificación temprana de tumores cerebrales es un factor determinante para mejorar el pronóstico y tratamiento de los pacientes. Para alcanzar este objetivo, se realizó una revisión bibliográfica sobre procesamiento de imágenes médicas, inteligencia artificial, aprendizaje profundo y arquitecturas de redes neuronales convolucionales aplicadas al análisis de imágenes cerebrales. Posteriormente se diseñó e implemento un modelo híbrido compuesto por las arquitecturas U-Net++ y ResNet50, complementado con técnicas de preprocesamiento y mejora de imágenes mediante CLAHE. El modelo fue entrenado y evaluado utilizando un conjunto de imágenes médicas correspondientes a diferentes tipos de tumores cerebrales y casos sin presencia de tumor. Para medir su desempeño se emplearon métricas como accuracy, precisión, sensibilidad, F1-score y curvas ROC(AUC), obteniéndose resultados satisfactorios en la clasificación de las imágenes analizadas. Los valores de AUC alcanzados para las clases glioma, meningioma y pituitaria evidenciaron una elevada capacidad de discriminación, demostrando que el sistema desarrollado es capaz de diferenciar adecuadamente entre las distintas categorías estudiadas