1. RIUdeG
  2. Tesis
  3. Maestría
  4. CUCEI
Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12104/112604
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.contributor.authorRomero Maciel, Luis Héctor
dc.date.accessioned2026-04-13T19:54:27Z-
dc.date.available2026-04-13T19:54:27Z-
dc.date.issued2026-02-20
dc.identifier.urihttps://wdg.biblio.udg.mx
dc.identifier.urihttps://hdl.handle.net/20.500.12104/112604-
dc.description.abstractLos nódulos tiroideos (NT) son crecimientos anormales de las células de la glándula tiroidea que pueden dar lugar a tumores con potencial maligno. Se estima que esta condición afecta aproximadamente al 70% de la población adulta mexicana, con una mayor prevalencia en mujeres. La ecografía es una herramienta fundamental en el proceso diagnóstico, por lo que desde 2011 se han realizado diversos estudios orientados a la clasificación de nódulos benignos y malignos utilizando las imágenes de ultrasonido. Estos esfuerzos han sido realizados principalmente con el objeto de auxiliar a los médicos en la toma de decisiones clínicas, reducir costos hospitalarios y evitar procedimientos invasivos innecesarios a los pacientes. Los enfoques basados en la extracción de características posteriores a la descomposición Wavelet son los que han reportado las métricas de desempeño más altas en comparación con otros enfoques. No obstante, dichos trabajos presentan limitaciones importantes relacionadas con el tamaño de los conjuntos de datos y los esquemas de validación empleados, lo que genera incertidumbre respecto a la capacidad de generalización de los modelos. En este contexto, el presente trabajo se centró en comparar el desempeño de distintos clasificadores de NT utilizando diversos algoritmos de clasificación y diferentes familias Wavelet para la descomposición de primer nivel de las imágenes de ultrasonido; extrayendo características de primer orden. El análisis se realizó empleando volúmenes de datos considerables y validación cruzada estratificada mediante K-fold por grupos. Los resultados obtenidos indican que la Wavelet “Coiflet 1” proporciona las características de descomposición más adecuadas para la clasificación de NT, de acuerdo con las métricas de exactitud alcanzadas por los modelos generados. Asimismo, el algoritmo de clasificación que presentó el mejor desempeño fue el de bosques aleatorios. Estos hallazgos demuestran que es posible construir un modelo robusto para la clasificación de NT a partir de la extracción de características de primer orden derivadas de la descomposición Wavelet de imágenes de ultrasonido, con resultados competitivos frente al estado del arte.
dc.description.tableofcontentsContenido Agradecimientos ................................ ................................ ................................ .............................. I Resumen ................................ ................................ ................................ ................................ .......... II Abstract ................................ ................................ ................................ ................................ ......... III Lista de Figuras ................................ ................................ ................................ ............................ VII Lista de Tablas ................................ ................................ ................................ ............................... X 1 Introducción ................................ ................................ ................................ ............................ 1 1.1 Antecedentes ................................ ................................ ................................ ................... 1 1.2 Estado del arte ................................ ................................ ................................ ................. 2 1.2.1 Enfoques basados en aprendizaje profundo sin extracción de características ........ 2 1.2.2 Enfoques basados en aprendizaje profundo con extracción explícita de características ................................ ................................ ................................ .......................... 3 1.2.3 Enfoques basados en extracción explícita de características ................................ .. 4 1.3 Planteamiento del problema ................................ ................................ ............................ 5 1.4 Justificación ................................ ................................ ................................ .................... 5 1.5 Hipótesis ................................ ................................ ................................ ......................... 6 1.6 Objetivos ................................ ................................ ................................ ......................... 6 1.6.1 Objetivo general ................................ ................................ ................................ ...... 6 1.6.2 Objetivos específicos ................................ ................................ .............................. 6 2 Marco teórico ................................ ................................ ................................ .......................... 8 2.1 Descripción de los nódulos tiroideos ................................ ................................ .............. 8 2.2 Estrategias de diagnóstico mediante el ultrasonido de tiroides ................................ ...... 9 2.3 Descomposición Wavelet en imágenes ................................ ................................ ........... 9 2.4 Extracción de características en coeficientes Wavelet ................................ .................. 11 2.5 Clasificación automática basada en características ................................ ....................... 12 2.5.1 Aumentación de datos ................................ ................................ ........................... 13 2.5.2 Métodos de clasificación basados en características ................................ ............ 14 2.5.3 Métodos de validación ................................ ................................ .......................... 18 2.5.4 Métricas de evaluación ................................ ................................ ......................... 20 2.6 Análisis estadístico en métricas de evaluación de clasificadores ................................ . 21 3 Metodología ................................ ................................ ................................ .......................... 22 V 3.1 Descripción de la base de datos “Thyroid Ultrasound Cine-clip” ................................ 24 3.2 Segmentación de los nódulos tiroideos ................................ ................................ ......... 24 3.3 Descomposición Wavelet de los nódulos redimensionados ................................ .......... 25 3.4 Creación de conjuntos de datos de los nódulos tiroideos ................................ ............. 26 3.4.1 Balanceo de clases benignas y malignas ................................ ............................... 27 3.4.2 Extracción de características de primer orden ................................ ...................... 28 3.4.3 Reducción de dimensionalidad de los conjuntos de datos ................................ .... 29 3.5 Entrenamiento y validación de modelos ................................ ................................ ....... 29 3.5.1 Implementación del árbol de decisión ................................ ................................ .. 30 3.5.2 Implementación de los bosques aleatorios ................................ ............................ 30 3.5.3 Implementación de K-vecinos más cercanos ................................ ........................ 30 3.5.4 Implementación del perceptrón multicapa ................................ ............................ 31 3.5.5 Implementación de la máquina de soporte vectorial ................................ ............. 31 3.6 Análisis estadístico de las métricas calculadas de los modelos ................................ .... 32 4 Resultados y discusión ................................ ................................ ................................ .......... 33 4.1 Observaciones de la base de datos “Thyroid Ultrasound Cine-clip” ............................ 33 4.2 Nódulos tiroideos segmentados y redimensionados ................................ ..................... 34 4.3 Matrices de coeficientes Wavelets de los NT segmentados ................................ .......... 35 4.4 Validación de los modelos implementados en cada Wavelet ................................ ........ 37 4.4.1 Daubechies 8 ................................ ................................ ................................ ......... 37 4.4.2 Haar ................................ ................................ ................................ ....................... 38 4.4.3 Symlet 2 ................................ ................................ ................................ ................ 39 4.4.4 Beylkin ................................ ................................ ................................ .................. 40 4.4.5 Fejér-Korvokin 4 ................................ ................................ ................................ ... 41 4.4.6 Han ................................ ................................ ................................ ........................ 42 4.4.7 Coiflet 1 ................................ ................................ ................................ ................ 43 4.4.8 Coiflet 5 ................................ ................................ ................................ ................ 44 4.4.9 Dmey ................................ ................................ ................................ ..................... 45 4.5 Análisis estadístico de la exactitud de los modelos ................................ ...................... 48 5 Conclusión y trabajo futuro ................................ ................................ ................................ .. 50 Referencias ................................ ................................ ................................ ................................ .... 53 VI Anexos - Productos derivados ................................ ................................ ................................ ...... 57
dc.formatapplication/PDF
dc.language.isospa
dc.publisherBiblioteca Digital wdg.biblio
dc.publisherUniversidad de Guadalajara
dc.rights.urihttps://www.riudg.udg.mx/info/politicas.jsp
dc.subjectNodulos Tiroideos
dc.subjectUltrasonido Medico
dc.subjectTransformada Wavelet
dc.subjectAprendizaje Automatico
dc.titleClasificación automática de nódulos tiroideos en imágenes ecográficas a partir de características extraídas con wavelets
dc.typeTesis de Maestría
dc.rights.holderUniversidad de Guadalajara
dc.rights.holderRomero Maciel, Luis Héctor
dc.coverageGUADALAJARA, JALISCO
dc.type.conacytmasterThesis
dc.degree.nameMAESTRIA EN CIENCIAS EN BIOINGENIERIA Y COMPUTO INTELIGENTE
dc.degree.departmentCUCEI
dc.degree.grantorUniversidad de Guadalajara
dc.rights.accessopenAccess
dc.degree.creatorMAESTRIA EN CIENCIAS EN BIOINGENIERO EN Y COMPUTO INTELIGENTE
dc.contributor.directorSantos Arce, Stewart René
dc.contributor.codirectorSalido Ruiz, Ricardo Antonio
Aparece en las colecciones:CUCEI

Ficheros en este ítem:
Fichero TamañoFormato 
MCUCEI11297FT.pdf5.36 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.