Pasar al contenido principal
Este portal utiliza cookies propias o de terceros con fines analíticos, así como enlaces a portales de terceros para poder compartir contenido en las redes sociales. Puede obtener más información en la <a href="https://pro-assets-usc.azureedge.net/es/aviso-legal">política de cookies</a>.

Trabajos presentados

Impacto de la base de datos de controles sanos en cuantificación de imagen PET cerebral.
Autoría
E.F.Z.
Máster Universitario en Visión por Computador
Fecha de la defensa
03.02.2025 11:00
Resumen
La Tomografía por Emisión de Positrones (PET) es crucial en la investigación neurológica y en la práctica clínica, proporcionando información sobre el metabolismo cerebral, especialmente a través del uso de PET con [18F]FDG, que ayuda en el diagnóstico de condiciones como la epilepsia. Aunque el análisis cuantitativo de PET puede mejorar la precisión diagnóstica, sus resultados pueden verse influenciados por la selección del conjunto de datos de control sano (HC). Este estudio utiliza datos sintéticos generados por SimPET para explorar cómo la base de datos de controles sanos, adquirida en seis escáneres diferentes, impacta en el análisis cuantitativo de PET, con el objetivo de mejorar la robustez de los métodos de cuantificación clínica. Para evaluar el impacto de la variabilidad entre escáneres, se realizaron análisis basados tanto en VOI como en vóxeles, comparando una base de datos sintética de pacientes con epilepsia con las diferentes bases de datos sintéticas de HC. Los resultados muestran que la variabilidad entre escáneres afectó significativamente la detección de lesiones epilépticas tanto focales como extendidas. Estos hallazgos resaltan la importancia de la armonización de datos para garantizar una cuantificación PET fiable y precisa. En conclusión, aunque la elección de una base de datos de control sano adquirida localmente es importante, su impacto en la cuantificación PET podría ser limitado al comparar escáneres de la misma generación.
Dirección
BREA SANCHEZ, VICTOR MANUEL (Tutoría)
Aguiar Fernández, Pablo Cotutoría
Tribunal
Cernadas García, Eva (Presidente/a)
Pardo López, Xosé Manuel (Secretario/a)
FLORES GONZALEZ, JULIAN CARLOS (Vocal)
De la detección de objetos sintéticos a la real con Adaptación de Dominio No Supervisada
Autoría
P.G.P.
Máster Universitario en Visión por Computador
Fecha de la defensa
03.02.2025 11:30
Resumen
La detección de objetos ha avanzado notablemente en los últimos años, impulsada por los avances en el aprendizaje profundo y la disponibilidad de conjuntos de datos anotados a gran escala. Sin embargo, estos métodos a menudo requieren grandes cantidades de datos etiquetados, los cuales pueden no estar disponibles para aplicaciones específicas o emergentes. Esta limitación ha generado interés en la Adaptación de Dominio No Supervisada (UDA, por sus siglas en inglés), que facilita la transferencia de conocimiento desde un dominio fuente etiquetado hacia un dominio objetivo no etiquetado o con una distribución diferente. Este estudio aborda el desafío de la Adaptación de Dominio entre datos sintéticos y del mundo real. Se ha desarrollado una metodología innovadora para generar conjuntos de datos sintéticos utilizando AirSim y Unreal Engine, lo que permite la creación de conjuntos de datos altamente personalizables y diversos. Se emplearon dos técnicas diferentes de Adaptación de Dominio: D3T, derivada de las técnicas más avanzadas de UDA, y MixPL, adoptada del Aprendizaje Semi-Supervisado. Se propusieron diferentes mejoras para maximizar la utilidad del conjunto de datos sintético y mejorar la alineación del dominio: en el caso de D3T, se propusieron modificaciones en la función de costo, mientras que en MixPL se incorporó un nuevo detector con una arquitectura de backbone basada en transformer. Los resultados obtenidos mediante D3T y MixPL demuestran un progreso alentador, ya que se acercan al rendimiento de los modelos entrenados directamente en el dominio objetivo. Estos hallazgos sugieren que los conjuntos de datos sintéticos tienen un gran potencial para abordar la escasez de datos y mejorar la generalización del modelo, además de señalar direcciones prometedoras para futuras investigaciones en esta área.
Dirección
MUCIENTES MOLINA, MANUEL FELIPE (Tutoría)
CORES COSTA, DANIEL Cotutoría
Tribunal
Cernadas García, Eva (Presidente/a)
Pardo López, Xosé Manuel (Secretario/a)
FLORES GONZALEZ, JULIAN CARLOS (Vocal)
Mejorando la extracción de características de los píxeles con Quantum Machine Learning
Autoría
D.B.F.P.
Máster Universitario en Visión por Computador
Fecha de la defensa
03.02.2025 10:30
Resumen
En este trabajo se ha analizado el uso de modelo de Quantum Machine Learning (QML) para mejorar la extracción de características de los píxeles. El principal objetivo fue estudiar si los modelos de QML pueden mejorar la calidad de las características y reducir drásticamente el número de parámetros que se necesitan para entrenar un modelo. Las características de la imagen fueron extraidas usando un Variational Quantum Circuit (VQC) de 4 qubits, que fue adecuadamente entrenado utilizando el algoritmo shift rule. El rendimiendo conseguido con el modelo de QML mejora el rendimiento de modelos de aprendizaje profundo para pequeños datasets. No obstante, al aumentar el tamaño del dataset, las características extraídas eran menos relevantes, dando lugar a un peor rendimiento que las aproximaciones clásicas, demandando un mayor análisis y aumentar el número de qubits y capas del VQC. Concluimos que QML se presenta como un nuevo paradigma para mejorar la extracción de características y reducir drásticamente el número de parámetros entrenables.
Dirección
VILA BLANCO, NICOLAS (Tutoría)
Fernández Pena, Anselmo Tomás Cotutoría
Tribunal
Cernadas García, Eva (Presidente/a)
Pardo López, Xosé Manuel (Secretario/a)
FLORES GONZALEZ, JULIAN CARLOS (Vocal)
Segmentación de hemorragias intracraneales asistida por aprendizaje profundo en CT cerebral: nnU-Net, MedNeXt y arquitectura ensamblada..
Autoría
M.P.F.
Máster Universitario en Visión por Computador
Fecha de la defensa
03.02.2025 12:30
Resumen
Este estudio comparó diferentes modelos de aprendizaje profundo para la segmentación de hemorragias intracraneales (ICH) en imágenes CT, incluyendo nnU-Net 2D, nnU-Net 3D y MedNeXt, así como un modelo conjunto que combina nnU-Net 2D y 3D. Los modelos se entrenaron con 200 imágenes utilizando validación cruzada de 5 folds durante 1,000 épocas y se probaron en datos no vistos. MedNeXt alcanzó el mejor rendimiento con una puntuación Dice de 0.6433+/-0.2417, seguido por el modelo conjunto 2D-3D nnU-Net con 0.6405+/-0.2256. Los modelos nnU-Net 2D y 3D obtuvieron puntuaciones de 0.6348+/-0.2179 y 0.6331+/-0.2636, respectivamente. El rendimiento superior de MedNeXt resalta el beneficio de incorporar transformadores para capturar dependencias a largo alcance y contexto global, aunque a costa de tiempos de entrenamiento más largos debido a su mayor complejidad. El modelo conjunto demostró que combinar arquitecturas U-Net 2D y 3D puede mejorar la precisión de la segmentación sin aumentar la complejidad del modelo. A pesar de las ventajas potenciales de nnU-Net 3D, los modelos nnU-Net 2D y 3D mostraron rendimientos similares, lo que indica que cualquiera de las configuraciones puede ser efectiva dependiendo del caso de uso. Estos hallazgos indican que el rendimiento superior de MedNeXt en la segmentación de ICH (puntuación Dice 0.6433) lo convierte en la opción preferida para la implementación clínica, mientras que el modelo conjunto ofrece una alternativa robusta que logra resultados comparables (puntuación Dice 0.6405) sin requerir modificaciones arquitectónicas, proporcionando flexibilidad para diferentes escenarios de implementación clínica.
Dirección
BREA SANCHEZ, VICTOR MANUEL (Tutoría)
Gómez González, Juan Pablo Cotutoría
Tribunal
Cernadas García, Eva (Presidente/a)
Pardo López, Xosé Manuel (Secretario/a)
FLORES GONZALEZ, JULIAN CARLOS (Vocal)
Reconocimiento de Imágenes en el Borde con Algoritmos Eficientes
Autoría
L.C.
Máster Universitario en Visión por Computador
Fecha de la defensa
25.02.2025 10:00
Resumen
Este trabajo se centra en optimizar la detección de objetos para dispositivos de borde utilizando modelos ligeros de aprendizaje profundo. Abordamos los desafíos del tamaño de los modelos grandes y la sobrecarga computacional mediante técnicas como la destilación de conocimientos, el podado y la cuantización. Presentamos una versión mejorada de YOLOv11 que utiliza imágenes RGB y térmicas para la detección, mejorando la eficiencia y precisión para dispositivos de borde de bajo consumo.
Dirección
BREA SANCHEZ, VICTOR MANUEL (Tutoría)
PARDO SECO, FERNANDO RAFAEL Cotutoría
Tribunal
Cernadas García, Eva (Presidente/a)
Pardo López, Xosé Manuel (Secretario/a)
FLORES GONZALEZ, JULIAN CARLOS (Vocal)
Control basado en visión 2D para procesos de embalaje de madera
Autoría
A.R.C.
Máster Universitario en Visión por Computador
Fecha de la defensa
03.02.2025 13:00
Resumen
En la industria de la madera, la automatización de las líneas de producción es cada vez más esencial para mejorar la eficiencia y reducir la dependencia de la mano de obra manual. Este proyecto aborda específicamente la automatización de una línea de embalaje de madera seca mediante la integración de dos brazos robóticos ABB para la manipulación. Sin embargo, el control de todas las variables del proceso en un entorno industrial real demostró ser un desafío. Para hacer frente a esta situación, se implementó un sistema de control basado en visión, utilizando una cámara matricial 2D para verificar la posición y el estado de cada capa de tablones antes de que fueran manipulados por los robots. Este sistema de visión es crucial para garantizar la precisión y la fiabilidad del embalaje, ya que detecta cualquier desalineación o defecto que pueda comprometer la operación. Al integrar visión por computador, el sistema no solo mejora la eficiencia general, sino que también incrementa significativamente la precisión y la seguridad del proceso. Este artículo presenta el diseño, la implementación y el impacto del sistema de visión en el contexto más amplio de la automatización industrial.
Dirección
BREA SANCHEZ, VICTOR MANUEL (Tutoría)
Ferreiro Miranda, José Miguel Cotutoría
Tribunal
Cernadas García, Eva (Presidente/a)
Pardo López, Xosé Manuel (Secretario/a)
FLORES GONZALEZ, JULIAN CARLOS (Vocal)
Sistema de Visión Artificial en Tiempo Real para el Control de Calidad en Líneas de Embalaje
Autoría
M.K.M.H.
Máster Universitario en Visión por Computador
Fecha de la defensa
03.02.2025 12:00
Resumen
Este artículo presenta un sistema de visión artificial en tiempo real implementado en una línea de embalaje de Financiera Maderera S.A., un fabricante líder español de productos de madera industrializada. El sistema aborda el desafío de detectar cajas abiertas en una producción de alta velocidad. Cuenta con un sistema personalizado de adquisición de imágenes y procesamiento de imágenes para identificar defectos. Integrado perfectamente en la línea de embalaje, el sistema alcanza una precisión general del 99.89%, con una precisión del 96.31% y una recuperación del 96.56% para la detección de cajas abiertas, todo en menos de 0.25 segundos por caja. Estos resultados demuestran el potencial del sistema para mejorar el control de calidad en aplicaciones de líneas de embalaje de alta velocidad en diversos sectores.
Dirección
BREA SANCHEZ, VICTOR MANUEL (Tutoría)
Ferreiro Miranda, José Miguel Cotutoría
Tribunal
Cernadas García, Eva (Presidente/a)
Pardo López, Xosé Manuel (Secretario/a)
FLORES GONZALEZ, JULIAN CARLOS (Vocal)