Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12104/110559Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.contributor.author | Argudín Ferrán, Mayelin Victoria | |
| dc.date.accessioned | 2025-12-04T21:50:01Z | - |
| dc.date.available | 2025-12-04T21:50:01Z | - |
| dc.date.issued | 2025-06-24 | |
| dc.identifier.uri | https://wdg.biblio.udg.mx | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12104/110559 | - |
| dc.description.abstract | El cáncer de tiroides es el tipo más común de neoplasia en las regiones de la cabeza y el cuello. Las imágenes térmicas se han utilizado con éxito en el pre-diagnóstico médico para diversas aplicaciones, como la detección temprana de cáncer de mama, el monitoreo de la cicatrización en úlceras y heridas crónicas, el diagnóstico de enfermedades vasculares como trombosis venosa profunda y arteriosclerosis, la evaluación de melanoma y otras afecciones cutáneas, así como el estudio de enfermedades oculares, incluyendo glaucoma y síndrome de ojo seco. La tiroides es una glándula ricamente vascularizada que se ubica cerca de la piel, su hiper o hipo actividad modifica el patrón de temperatura del cuello haciendo de la termografía un buen candidato para evaluar posibles patologías mediante termografía infrarroja digital. Esta investigación se centra en el potencial de esta para la detección temprana de nódulos tiroideos, utilizando redes neuronales y algoritmos avanzados como el aprendizaje automático para la clasificación de patrones térmicos. Al superar limitaciones de métodos tradicionales, buscamos mejorar la precisión pre-diagnóstica y destacar la importancia de la potencial detección temprana en el contexto del creciente cáncer de tiroides. Esta innovación no solo contribuye al conocimiento existente, sino que también impacta directamente en la salud pública al optimizar tratamientos, reducir costos médicos y mejorar la calidad de vida de los pacientes. | |
| dc.description.tableofcontents | Tabla de Contenidos Capítulo 1. Introducción ......................................................................................... 2 1.1. Justificación .............................................................................................. 4 1.2. Hipótesis.................................................................................................... 4 1.3. Objetivos .................................................................................................... 5 1.3.1. Objetivo General ......................................................................................................... 5 1.3.2. Objetivos Específicos .................................................................................................. 5 Capítulo 2. Marco Teórico ...................................................................................... 6 2.1. Anatomía de la Glándula Tiroides ................................................................. 6 2.2. Cáncer de Tiroides ........................................................................................ 6 2.2.1 Epidemiología ................................................................................................................ 6 2.2.2 Factores de Riesgo .......................................................................................................... 7 2.3. Diagnóstico de Nódulos Tiroideos ................................................................. 8 2.3.1 Métodos Convencionales .................................................................................................. 8 2.4. Inteligencia Artificial .................................................................................... 9 2.4.1 Introducción ................................................................................................................... 9 2.4.2 Machine Learning .......................................................................................................... 9 2.4.3 Algoritmos de clasificación........................................................................................... 10 2.5 Deep Learning ......................................................................................... 12 2.5.1 Redes Neuronales Convolucionales (CNN) ................................................................. 13 2.5.2 Capa convolucional ....................................................................................................... 13 2.5.3 Capa de Pooling ............................................................................................................ 14 2.5.4 Capa Dropout ................................................................................................................ 15 2.5.5 Funciones de Activación ............................................................................................... 15 2.5.6 Conjunto de entrenamiento, validación y prueba ....................................................... 16 2.5.7 Técnicas de equilibrado de datos ................................................................................. 17 2.5.8 Data Augmentation ....................................................................................................... 17 2.5.9 Enfoque Combinado ..................................................................................................... 18 Capítulo 3. Metodología ....................................................................................... 20 3.1 Fase 1: Diseño del Estudio ....................................................................... 20 3.1.1 Tipo de Estudio ............................................................................................................ 20 3.1.2 Población y Muestra ..................................................................................................... 21 3.2 Fase 2: Recolección de Datos ................................................................... 21 3.2.1 Selección de Pacientes .................................................................................................. 21 IV 3.2.2 Adquisición de Datos .................................................................................................... 21 3.3 Fase 3: Preprocesamiento de Imágenes ................................................... 22 3.4 Fase 4: Desarrollo del Algoritmo de Clasificación ................................... 23 3.4.1 Implementación de una CNN...................................................................................... 23 3.4.2 Herramientas Utilizadas ............................................................................................. 23 3.4.3 Arquitectura del Modelo .............................................................................................. 23 3.5 Fase 5: Entrenamiento y Validación del Modelo ...................................... 26 3.5.1 División del Conjunto de Datos .................................................................................. 26 3.5.2 Prevención de Overfitting ............................................................................................ 27 3.5.3 Monitorización del Entrenamiento.............................................................................. 27 3.6 Fase 6: Optimización del Modelo ............................................................. 27 3.6.1 Optimizador .................................................................................................................. 27 3.6.2 Función de Pérdida ...................................................................................................... 28 3.7 Fase 7: Evaluación del Modelo ................................................................. 28 3.7.1 Métricas de Evaluación................................................................................................ 28 3.7.2 Validación Cruzada (K-Fold)....................................................................................... 29 3.7.3 Comparación con Otros Modelos ................................................................................ 30 3.7.4 Comparación con Métodos Clínicos Tradicionales .................................................... 30 3.8 Fase 8: Selección de algoritmo óptimo .................................................... 30 Capítulo 4. Resultados y Discusión ...................................................................... 31 4.1 Segmentación .......................................................................................... 31 4.2 Clasificación ............................................................................................ 35 4.2.1 Correlación fisiopatológica de los patrones térmicos ................................................ 38 4.3 Matriz de Confusión ................................................................................ 38 4.4 Discusión de Resultados .......................................................................... 39 4.4.1 Comparación con Otros Métodos de Clasificación .................................................... 39 4.4.2 Implicaciones Clínicas de los Resultados .................................................................... 41 4.5 Análisis de errores del modelo ................................................................ 41 Conclusiones ......................................................................................................... 43 Segmentación .................................................................................................... 43 Clasificación ...................................................................................................... 43 Comparación con otros algoritmos .................................................................... 44 Fortalezas y limitaciones ................................................................................... 44 Bibliografía ........................................................................................................... 45 | |
| dc.format | application/PDF | |
| dc.language.iso | spa | |
| dc.publisher | Biblioteca Digital wdg.biblio | |
| dc.publisher | Universidad de Guadalajara | |
| dc.rights.uri | https://www.riudg.udg.mx/info/politicas.jsp | |
| dc.subject | Diagnostico Asistido Por Computadora | |
| dc.subject | Termografia Infrarroja | |
| dc.subject | Nodulos Tiroideos | |
| dc.subject | Aprendizaje Automatico | |
| dc.subject | Vision Computacional. | |
| dc.title | Análisis de termografías infrarrojas en nódulos tiroideos | |
| dc.type | Tesis de Maestría | |
| dc.rights.holder | Universidad de Guadalajara | |
| dc.rights.holder | Argudín Ferrán, Mayelin Victoria | |
| dc.coverage | GUADALAJARA, JALISCO | |
| dc.type.conacyt | masterThesis | |
| dc.degree.name | MAESTRIA EN CIENCIAS EN BIOINGENIERIA Y COMPUTO INTELIGENTE | |
| dc.degree.department | CUCEI | |
| dc.degree.grantor | Universidad de Guadalajara | |
| dc.rights.access | openAccess | |
| dc.degree.creator | MAESTRIA EN CIENCIAS EN BIOINGENIERO EN Y COMPUTO INTELIGENTE | |
| dc.contributor.director | Alvarez Padilla, Francisco Javier | |
| dc.contributor.codirector | Flores Núñez, Jorge Luis | |
| Aparece en las colecciones: | CUCEI | |
Ficheros en este ítem:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| MCUCEI11241FT.pdf | 2.1 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.