Trabajos Fin de Grado ETSIIT - TIIGMET Gradu Amaierako Lanak

Permanent URI for this collection

http://hdl.handle.net/2454/7849

Browse

Browsing Trabajos Fin de Grado ETSIIT - TIIGMET Gradu Amaierako Lanak by Subject "3 dimensions (3D)"

Now showing 1 - 1 of 1
  • Thumbnail Image
    PublicationOpen Access
    Modelos de segmentación vertebral y pélvica en imágenes de resonancia magnética abdominales
    (2025) Del Barrio Blázquez, Samuel; Cabeza Laguna, Rafael; Concepción Álvarez, Mara de la Caridad; Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación; Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa
    La segmentación médica automatizada se ha convertido en una herramienta esencial en el diagnóstico y seguimiento de enfermedades, permitiendo la delimitación precisa de estructuras anatómicas en imágenes médicas. Tradicionalmente, esta tarea se realizaba manualmente, lo que consumía tiempo y estaba sujeta a variabilidad entre observadores. Con el avance de la inteligencia artificial, especialmente mediante redes neuronales convolucionales como la U-net, es posible automatizar este proceso, mejorando la eficiencia y consistencia en aplicaciones clínicas como la planificación quirúrgica y el análisis cuantitativo de tejidos. Este trabajo se centra en la segmentación de la región lumbar y pélvica en imágenes de resonancia magnética (RM), un área de gran relevancia clínica debido a su asociación con patologías como la obesidad y la sarcopenia. La técnica de RM, en particular la secuencia Dixon, ofrece ventajas significativas sobre otras modalidades de imagen, como la ausencia de radiación ionizante y una mejor diferenciación de tejidos blandos. El estudio desarrolla dos modelos basados en la arquitectura U-net: uno en 2D para la segmentación de cuerpos vertebrales y otro en 3D que incluye estructuras adicionales como apófisis, discos intervertebrales y palas ilíacas. El objetivo principal es proporcionar herramientas robustas para la cuantificación automática de tejidos en la región L3-L5, tanto para la visualización e integración en herramientas de segmentación automática, como para la extracción de las alturas vertebrales; reduciendo así, la dependencia de la segmentación manual. Los modelos se entrenaron con bases de datos específicas, extraídas de estudios clínicos, y se optimizaron para garantizar precisión y generalización. Este trabajo no solo contribuye al campo de la segmentación médica, sino que también sienta las bases para futuras mejoras en la automatización de diagnósticos y seguimientos terapéuticos.