Superresolución de imágenes de rodilla mediante modelos de aprendizaje profundo.

Abstract

En el ámbito de la salud y sanidad moderna, las pruebas de imagen juegan un papel fundamental, proporcionando información vital para el diagnóstico y tratamiento de pacientes. Entre estas técnicas, las imágenes por resonancia magnética (IRM) destacan por su capacidad para visualizar el interior del cuerpo humano utilizando campos magnéticos. El avance en la informática ha permitido mejorar la eficiencia y calidad de las imágenes obtenidas por las resonancias magnéticas en instalaciones médicas. Por ello durante este proyecto se ha investigado y desarrollado en el área de procesamiento de imágenes por resonancia magnética, con un enfoque particular en el uso de modelos de redes convolucionales para mejorar la resolución de estas imágenes. Se han propuesto dos modelos diferentes, junto con la implementación de uno, repartidos en 6 experimentos diferentes en total. Posteriormente se ha evaluado sus resultados a través de métricas objetivas, tanto de manera interna entre experimentos, como de manera externa con otros modelos propuestos por investigadores. A su vez, mediante la valoración subjetiva de profesionales médicos y estudiantes relacionados con la medicina, dando una valoración más visual y específica sobre la anatomía en los resultados. Esta aproximación busca optimizar el uso de las resonancias magnéticas, mejorando así la precisión diagnóstica y el tratamiento de los pacientes tratando de facilitar y reducir riesgos asociados a la resolución de las pruebas diagnósticas.