APLICACIÓN MÓVIL PARA LA CLASIFICACIÓN DE QUEMADURAS EN PACIENTES BASADA EN MODELOS DE APRENDIZAJE PROFUNDO

AVENA CARO, IVÁN (2026) APLICACIÓN MÓVIL PARA LA CLASIFICACIÓN DE QUEMADURAS EN PACIENTES BASADA EN MODELOS DE APRENDIZAJE PROFUNDO. Maestría thesis, Universidad Autónoma de Chihuahua.

Vista Previa

Text Tesis Iván Avena Caro.pdf Download (31Mb) | Vista Previa

Resumen

Las quemaduras representan un problema de salud relevante debido a las complicaciones asociadas con la evaluación clínica de la profundidad de la lesión y la necesidad de una atención oportuna. En este trabajo se desarrolló un sistema basado en aprendizaje profundo para la segmentación y clasificación automática de quemaduras de segundo y tercer grado en imágenes clínicas, considerando además su implementación en dispositivos móviles. Inicialmente, se realizaron experimentos de optimización utilizando diferentes configuraciones del modelo YOLO11-seg con el objetivo de seleccionar la arquitectura y parámetros de entrenamiento más adecuados. Posteriormente, la configuración seleccionada fue utilizada en un benchmark comparativo multiseed frente a arquitecturas de segmentación semántica basadas en CNN, incluyendo U-Net, Attention U-Net y U-Net++. Cada arquitectura fue evaluada mediante 10 corridas independientes utilizando los mismos datos, particiones y semillas predefinidas. La evaluación incluyó métricas globales y métricas por clase, análisis estadístico mediante pruebas no paramétricas de Kruskal-Wallis y comparaciones post-hoc de Dunn con corrección de Bonferroni, además de un análisis de eficiencia computacional considerando parámetros, FLOPs, FPS, latencia y consumo de memoria GPU. Los resultados mostraron que las arquitecturas basadas en U-Net obtuvieron mejores métricas globales de segmentación en Dice e IoU durante el benchmark multi-seed. Sin embargo, YOLO11m-seg alcanzó el mayor Recall global (0.8643), además de mantener menor consumo de memoria GPU y tiempos de inferencia competitivos respecto a las arquitecturas de segmentación semántica. Por otra parte, las arquitecturas basadas en U-Net presentaron mejores métricas por clase, particularmente en la diferenciación entre quemaduras de segundo y tercer grado. Finalmente, el modelo YOLO11m-seg seleccionado fue convertido e integrado en una aplicación móvil Android mediante TensorFlow Lite para realizar inferencia local sobre dispositivos reales. Los resultados obtenidos muestran la viabilidad del uso de modelos basados en segmentación de instancias como alternativa eficiente para sistemas móviles de apoyo clínico en el análisis automático de quemaduras.

Actions (login required)

Ver Objeto