RT Generic
T1 Segmentación de imágenes de úlceras por presión mediante aprendizaje profundo
T2 Pressure ulcer image segmentation using deep learning algorithms
A1 Aguilar Aldana, Pablo
K1 Úlceras por presión
K1 Diagnóstico por imagen
K1 Inteligencia artificial - Aplicaciones médicas
K1 Informática - Trabajos Fin de Grado
K1 Grado en Ingeniería de la Salud - Trabajos Fin de Grado
AB Las úlceras por presión son lesiones producidas en la piel por una presión ofricción sufridas durante un gran periodo de tiempo. Estas úlceras presentan cincotejidos, piel, periúlcera, granulación, esfacelos y necrótico, que dependerán de lagravedad de la herida. Su diagnóstico resulta complicado de concretar ya que enocasiones es difícil de saber con exactitud que tejidos están presentes en la herida.Este trabajo propone el diseño y uso de una aplicación web sencilla y dinámicapara solventar y agilizar estos problemas con el diagnóstico, de modo que el personalsanitario pueda introducir una imagen de una úlcera en la aplicación paraque esta sea devuelta, totalmente segmentada en los distintos tejidos que presentela úlcera, por la propia aplicación.Esta aplicación tendrá implementado un modelo de segmentación desarrolladomediante redes convolucionales y métodos de aprendizaje profundo (DeepLearning). Este modelo ha sido seleccionado tras un estudio exhaustivo de resultadosentre las distintas posibilidades encontradas en el conjunto de arquitecturasde PyTorch. La arquitectura escogida ha la famosa Unet, conocida por su exitosorecorrido en el trato con imágenes médicas, con un preentrenamiento con imagenet(conjunto de datos) ya que ha obtenido el mejor resultado para cada tejidocon respecto a las demás redes de segmentación. Esta arquitectura ha sido la únicacapaz de detectar el estadio necrótico ya que este, en el mayor de los casos, es elestadio minoritario es este tipo de heridas.Al final de este documento se proponen mejoras futuras y un manual de instalaciónpara conseguir toda la funcionalidad de la aplicación en cualquier dispositivo
YR 2022
FD 2022-06
LK https://hdl.handle.net/10630/25143
UL https://hdl.handle.net/10630/25143
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 21 ene 2026