Evaluación comparativa de métodos de detección de anomalias en imágenes médicas de alta resolución.

Abstract

Este Trabajo de Fin de Grado explora la detección de anomalías en radiografías de tórax mediante técnicas de aprendizaje auto-supervisado (SSL). La falta de imágenes médicas etiquetadas de forma manual, debido al alto coste y tiempo que requiere, limita la aplicación de modelos supervisados tradicionales. Ante este reto, se propone el uso de modelos que aprenden directamente a partir de datos no etiquetados, sin necesidad de anotaciones externas. El objetivo principal del proyecto es analizar, entrenar y evaluar varios enfoques auto-supervisados aplicados a imágenes médicas, comparando sus resultados para extraer conclusiones sobre su rendimiento y utilidad. Para ello, se han implementado tres modelos representativos: AutoEncoder (basado en reconstrucción), SimCLR (aprendizaje contrastivo) y SWSSL (que introduce ventanas deslizantes para conservar la resolución local). Todos han sido entrenados exclusivamente con imágenes normales, simulando un entorno real sin supervisión. El conjunto de datos utilizado es Chest X-ray, y la evaluación se ha realizado aplicando métricas clínicas estándar como AUC, F1-score, precisión, sensibilidad y exactitud. Los resultados muestran que, aunque ningún modelo alcanza un nivel clínico, todos logran detectar diferencias entre imágenes normales y patológicas. Además, se identifican qué ajustes o estrategias han contribuido a mejorar el rendimiento y qué limitaciones computacionales han influido. Este trabajo no solo aporta una visión clara del potencial del aprendizaje auto-supervisado en medicina, sino que también ofrece un análisis comparativo útil entre diferentes estrategias. Todo el código ha sido documentado y organizado con vistas a su reutilización.