• español
    • English
  • Login
  • español 
    • español
    • English

UniversidaddeCádiz

Área de Biblioteca, Archivo y Publicaciones
Comunidades y colecciones
Ver ítem 
  •   RODIN Principal
  • Trabajos Académicos
  • Trabajos Fin de Grado
  • Grado en Ingeniería Informática - TFG
  • Ver ítem
  •   RODIN Principal
  • Trabajos Académicos
  • Trabajos Fin de Grado
  • Grado en Ingeniería Informática - TFG
  • Ver ítem
JavaScript is disabled for your browser. Some features of this site may not work without it.

Framework basado en Deep Learning para el Análisis Automatizado de Ecografías Cerebrales Neonatales

Thumbnail
Identificadores

URI: http://hdl.handle.net/10498/40081

Ficheros
Memoria del trabajo fin de grado (12.69Mb)
Estadísticas
Ver estadísticas
Compartir
Exportar a
Exportar a MendeleyRefworksEndNoteBibTexRIS
Metadatos
Mostrar el registro completo del ítem
Autor/es
García-Matarredona Urbano, Claudia
Fecha
2026
Director/Tutor
Guerrero Vázquez, ElisaAutoridad UCA; Guerrero Lebrero, María de la PazAutoridad UCA
Departamento/s
Ingeniería Informática
Resumen
Durante años, el análisis automatizado de ecografías cerebrales neonatales ha representado una línea de investigación activa. Sin embargo, con el avance y consolidación del aprendizaje profundo, han surgido nuevas oportunidades para abordar problemas previamente considerados complejos o difíciles de resolver. Este trabajo es el resultado de una colaboración entre el Departamento de Ingeniería Informática de la Universidad de Cádiz y el Servicio de Pediatría del Hospital Universitario Puerta del Mar, que ha proporcionado un conjunto de neuroecografías tridimensionales reales. El objetivo principal es investigar y evaluar distintas estrategias basadas en aprendizaje profundo para lograr la clasificación automática de volúmenes patológicos y no patológicos. Además, se plantea explorar algoritmos para la segmentación macroestructural y realizar un estudio de viabilidad sobre modelos generativos. Los experimentos realizados demostraron el elevado desempeño de las redes convolucionales, así como la eficacia de diversas técnicas complementarias, tales como el aumento de datos, el uso de funciones de penalización o la implementación de bloques de atención. Por último, todas las funcionalidades desarrolladas se integraron con éxito en un framework interactivo que facilita su uso y aplicación.
Materias
3D; aprendizaje profundo; clasificacion; deep learning; ecografia; neonatos; medicina; ultrasonido; segmentacion; tridimensional; cerebro; inteligencia artificial; patologia
Colecciones
  • Grado en Ingeniería Informática - TFG [65]
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Esta obra está bajo una Licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional

Listar

Todo RODINComunidades y ColeccionesPor fecha de publicaciónAutoresTítulosMateriasEsta colecciónPor fecha de publicaciónAutoresTítulosMaterias

Mi cuenta

AccederRegistro

Estadísticas

Ver Estadísticas de uso

Información adicional

Acerca de...Deposita en RODINPolíticasNormativasDerechos de autorEnlaces de interésEstadísticasNovedadesPreguntas frecuentes

RODIN está accesible a través de

OpenAIREOAIsterRecolectaHispanaEuropeanaBaseDARTOATDGoogle Académico

Enlaces de interés

Sherpa/RomeoDulcineaROAROpenDOARCreative CommonsORCID

RODIN está gestionado por el Área de Biblioteca, Archivo y Publicaciones de la Universidad de Cádiz

ContactoSugerenciasAtención al Usuario