Análisis de imágenes de CT de tórax para caracterizar lesiones pulmonares y asociarlas con diferentes variantes de COVID-19

Simple item page
dc.audiencegeneralPublic
dc.contributorMoreno Barbosa, Eduardo
dc.contributorZepeda Fernández, Cristian Heber
dc.contributor.advisorMoreno Barbosa, Eduardo; 0000-0002-1114-2640
dc.contributor.advisorZepeda Fernández, Cristian Heber; 0000-0002-1716-3127
dc.contributor.authorRodríguez Sánchez, Lizbeth Giovana
dc.creatorRodríguez Sánchez, Lizbeth Giovana; 0009-0001-5695-3834
dc.date.accessioned2026-08-10T17:53:33Z
dc.date.available2026-08-10T17:53:33Z
dc.date.issued2026-01
dc.description.abstract“La enfermedad de COVID-19, causada por el virus SARS-CoV-2 ha tenido gran impacto mundial desde su aparición en 2019, acumulando 7.071.311 muertes confirmadas hasta 2024. Con el paso del tiempo y debido a diferencias geográficas y sociales, el virus original mutó y dió lugar a variantes del virus. La tomografía computarizada (CT) de tórax ha sido una relevante herramienta de diagnóstico, al mostrar alteraciones pulmonares asociadas a COVID-19, además de que técnicas de procesamiento de imágenes médicas, como radiómica, ha permitido cuantificar y explicar objetivamente características particulares de la enfermedad. En esta tesis se realizó un análisis radiómico sobre CT de tórax para identificar patrones asociados a distintas variantes. Se utilizó un algoritmo de segmentación automática de pulmón, que mostró un alto grado de superposición con las segmentaciones de referencia (Dice 0.930 ± 0.027, IoU 0.870 ± 0.046), aunque la distancia de Hausdorff (85.02 ± 30 píxeles) evidenció errores localizados en los bordes. Se extrajeron 851 características radiómicas de primer y segundo orden, y morfológicas, seleccionando las más relevantes mediante LASSO y análisis de distribución (DA), con predominio de características de segundo orden. Los modelos de clasificación implementados con redes neuronales completamente conectadas mostraron métricas superiores a 0.98 en promedio para accuracy, precision, recall, F1-score y specificity. DA presentó mayor estabilidad y generalización, siendo comparable con métodos tradiconales como LASSO”.
dc.folio20260129103506-3728-T
dc.formatpdf
dc.identificator1
dc.identifier.urihttps://hdl.handle.net/20.500.12371/33457
dc.language.isospa
dc.matricula.creator224470118
dc.publisherBenemérita Universidad Autónoma de Puebla
dc.rights.accesopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0
dc.subject.classificationCIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRA
dc.subject.lccMedicina interna--Especialidades de medicina interna--Enfermedades del sistema respiratorio--Heridas y lesiones, cuerpos extraños
dc.subject.lccMedicina interna--Diagnóstico--Otros procedimientos especiales--Tomografía
dc.subject.lccCOVID-19 (Enfermedad)--Complicaciones y secuelas
dc.subject.lccRedes neuronales (Computación)
dc.subject.lccIngeniería (General)--Óptica aplicada--Procesamiento óptico de datos--Procesamiento de imágenes
dc.thesis.careerMaestría en Ciencias (Física Aplicada)
dc.thesis.degreedisciplineÁrea de Ingeniería y Ciencias Exactas
dc.thesis.degreegrantorFacultad de Ciencias Físico Matemáticas
dc.thesis.degreetoobtainMaestro (a) en Ciencias (Física Aplicada)
dc.titleAnálisis de imágenes de CT de tórax para caracterizar lesiones pulmonares y asociarlas con diferentes variantes de COVID-19
dc.typeTesis de maestría
dc.type.conacytmasterThesis
dc.type.degreeMaestría
Files
Original bundle
Now showing 1 - 2 of 2
Name:
20260129103506-3728-T.pdf
Size:
10.11 MB
Format:
Adobe Portable Document Format
Download
Name:
20260129103506-3728-CARTA.pdf
Size:
6.62 MB
Format:
Adobe Portable Document Format
Collections
Tesis de Maestría