2026-06-07T08:00:39Zhttps://riuma.uma.es/rest/oai/request

oai:riuma.uma.es:10630/408762026-02-03T10:19:01Zcom_10630_1685col_10630_38055

Segmentación y análisis de angiografías coronarias invasivas a través de la aplicación de modelos de aprendizaje profundo. Segmentation and Analysis of Invasive Coronary Angiographies though the Application of Deep Learning Models. Nieto Piernagorda, Isabel López-Rubio, Ezequiel Informática - Trabajos Fin de Grado Grado en Ingeniería de la Salud - Trabajos Fin de Grado Estenosis Segmentación de imágenes Aprendizaje profundo Diagnóstico Python La estenosis, o estrechamiento patológico de los vasos sanguíneos, constituye una de las principales causas de muerte por infarto de miocardio y accidente cerebrovascular en todo el mundo. La detección precoz y precisa de esta patología vascular resulta determinante para garantizar el éxito del tratamiento y minimizar el riesgo de complicaciones graves. En el presente Trabajo de Fin de Grado se utiliza el conjunto de datos ARCADE, disponible en el repositorio Zenodo. De entre sus dos modalidades, “syntax” y “stenosis”, se ha seleccionado esta última, que agrupa una colección de imágenes médicas extraídas de estudios DICOM en las que se observa estenosis vascular, junto con sus correspondientes anotaciones en formato JSON. Con el objetivo de segmentar y analizar de forma automática dichas imágenes, se ha recurrido al lenguaje de programación Python y a modelos de detección de la familia YOLO (You Only Look Once) basados en aprendizaje profundo. El trabajo comienza con un estudio preliminar de exploración y preprocesado de los datos, destacando, por un lado, la relevancia del procesamiento de imágenes médicas y, por otro, la importancia de la detección y diagnóstico precoz de la estenosis. A continuación, las imágenes se someten a un preprocesado y, sobre ellas, se entrenan diversas variantes del modelo YOLO adaptadas a la identificación de regiones con estenosis. Finalmente, se lleva a cabo una evaluación comparativa de las distintas variantes de YOLO. De este modo, se identifica la configuración óptima de parámetros, que ofrece el mejor equilibrio entre precisión diagnóstica y rapidez de procesamiento, contribuyendo así al desarrollo de herramientas automáticas de apoyo al profesional clínico en la detección precoz de estenosis coronaria. 2025-11-24T08:18:28Z 2025-11-24T08:18:28Z 2025-06 bachelor thesis https://hdl.handle.net/10630/40876 spa Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ open access application/pdf