RT Generic
T1 Aplicación de modelos de Vision Transformer para la segmentación de imágenes en esclerosis múltiple.
T2 Application of Vision Transformer Models for Image Segmentation in Multiple Sclerosis.
A1 Guzmán Boceta, Cynthia
K1 Informática - Trabajos Fin de Grado
K1 Grado en Ingeniería Informática - Trabajos Fin de Grado
AB La esclerosis múltiple es una enfermedad autoinmune, neurodegenerativa ycrónica que afecta al sistema nervioso central, y que puede provocar una pérdidaprogresiva de funciones motoras, sensoriales y cognitivas. Es esencial detectarla atiempo y realizar un seguimiento de la enfermedad para mejorar la calidad de vidade los pacientes. La resonancia magnética (RM) es la herramienta principal paraidentificar lesiones características de esta enfermedad, aunque su interpretaciónmanual es compleja, subjetiva y propensa a errores.En este Trabajo de Fin de Grado se propone una solución basada en inteligenciaartificial, específicamente en aprendizaje profundo (deep learning), paraautomatizar la segmentación de imágenes de resonancia magnética de pacientescon esta enfermedad, permitiendo visualizar las lesiones cerebrales. Para ello, sehan utilizado modelos de tipo Vision Transformer (ViT), que es una arquitecturareciente que ha demostrado superar algunas limitaciones de las redes convolucionalesque se habían usado tradicionalmente hasta ahora. Primero, se ha obtenidoy preprocesado un conjunto de imágenes de RM multimodales (T1, T2, FLAIR)para asegurar que sean homogéneas y poder usarlas en el entrenamiento. Despuésse han entrenado y evaluado varios modelos ViT, escogiendo finalmente elde mejor rendimiento. Por otra parte, se ha construido una aplicación web interactivay sencilla que utiliza el mejor modelo entrenado previamente para generarla segmentación, en la que el personal sanitario podrá subir las imágenes correspondientesy visualizar la segmentación.Por último, se incluyen una serie de propuestas para mejoras en el futuro, asícomo una guía de instalación para desplegar y utilizar la aplicación en cualquierdispositivo.
YR 2025
FD 2025
LK https://hdl.handle.net/10630/45976
UL https://hdl.handle.net/10630/45976
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 19 mar 2026