Medición de la plausibilidad anatómica en la segmentación de imágenes médicas: un enfoque basado en autocodificadores variacionales

Simple item page
dc.contributor.MentorFerrante, Enzo
dc.creator.AutorFonzo, Natalia
dc.date.accessioned2026-04-13T17:30:25Z
dc.date.available2026-04-13T17:30:25Z
dc.date.issued2025
dc.descriptionFil: Fonzo, Natalia. Universidad de San Andrés. Departamento de Matemática y Ciencias; Argentina.
dc.description.abstractLos algoritmos de segmentación de imágenes son fundamentales en el diagnóstico y tratatamiento asistido por computadora. Dado el impacto que pueden tener en la práctica clínica, es crucial contar con métricas de evaluación que estén alineadas con el objetivo final del algoritmo. En este sentido, medir la calidad anatómica de la segmentación de una imagen médica tiene una importancia significativa. Las métricas existentes son usualmente insensibles a esta dimensión. Este trabajo explora la viabilidad de utilizar Autocodificadores Variacionales (VAEs, por sus siglas en inglés) como una forma de aprender métricas anatómicamente sensibles, útiles para evaluar la calidad y, más aún, la plausibilidad de la segmentación de imágenes médicas. Se explora si los espacios latentes aprendidos por estos modelos tienen la capacidad de capturar distancias anatómicas, si se comportan simétricamente y si distinguen formas inorgánicas. Además, se evalúa cómo influyen en dichos aspectos las dimensiones del VAE, la estrategia de entrenamiento y la métrica de distancia utilizada.
dc.formatapplication/pdf
dc.identifier.urihttps://repositorio.udesa.edu.ar/handle/10908/26328
dc.languagespa
dc.publisherUniversidad de San Andrés. Departamento de Matemática y Ciencias
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.titleMedición de la plausibilidad anatómica en la segmentación de imágenes médicas: un enfoque basado en autocodificadores variacionales
dc.typeTesis
dc.typeinfo:eu-repo/semantics/masterThesis
dc.typeinfo:ar-repo/semantics/tesis de maestría
dc.typeinfo:eu-repo/semantics/updatedVersion
Files
Original bundle
Thumbnail Image
Name:
[P][W] M. C.deD. Fonzo, Natalia.pdf
Size:
9.63 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Maestría en Ciencia de Datos