Estudio del rendimiento de varios modelos de redes neuronales con imágenes de resonancia magnética asociadas a la demencia

Abstract

Este Trabajo de Fin de Grado tiene como objetivo evaluar el rendimiento de distintos modelos de redes neuronales profundas en la clasificación de imágenes de resonancia magnética (RM) cerebral relacionadas con el diagnóstico de la demencia. La demencia es un trastorno neurológico progresivo que afecta gravemente a las capacidades cognitivas, por lo que su detección temprana resulta esencial para mejorar tanto el tratamiento como la calidad de vida del paciente. Las resonancias magnéticas ofrecen una técnica no invasiva que permite observar con detalle posibles alteraciones estructurales en el cerebro asociadas a esta enfermedad. El proyecto analiza el comportamiento de diez arquitecturas de redes convolucionales disponibles en la librería TensorFlow: InceptionV3, ResNet50, Res- Net50V2, ResNet101, ResNet101V2, ResNet152, ResNet152V2, VGG16, VGG19 y Xception. Para ello se ha utilizado un conjunto de datos público y etiquetado, compuesto por imágenes de resonancia magnética cerebral. Además, se ha desarrollado una interfaz gráfica de usuario mediante el framework Gradio, que permite cargar conjuntos de datos, entrenar modelos, evaluarlos y mostrar métricas clave como precisión, pérdida, matrices de confusión e informes de clasificación. Esta herramienta facilita el análisis comparativo de los modelos y su posible aplicación en entornos clínicos reales.