Semántica en mamografías con deep Learning: Eficiencia de CNN modificadas con DeepLabV3+

Simple item page
dc.audiencegeneralPublic
dc.contributorZepeda Fernández, Cristian Heber
dc.contributor.advisorZepeda Fernández, Cristian Heber; 0000-0002-1716-3127
dc.contributor.authorHernández Román, Luis Gerardo
dc.date.accessioned2026-04-16T21:47:21Z
dc.date.available2026-04-16T21:47:21Z
dc.date.issued2025-10-17
dc.description.abstract"El cáncer de mama es una de las principales causas de muerte en México y siendo la principal causa de muerte por cáncer en mujeres mayores de 25 años. Se trata de una enfermedad que afecta mayormente a mujeres, aunque también puede presentarse en hombres. La detección temprana es fundamental para mejorar la tasa de supervivencia, pero existen retos significativos en la conciencia y el acceso a servicios de salud eficientes. A partir de esta revisión, se identifica una brecha específica: si bien existe evidencia de que la calidad de imagen afecta el desempeño de modelos en mamografías, pocos trabajos han explorado si arquitecturas ampliamente utilizadas como ResNet50 son capaces de aprender características directamente desde imágenes de baja resolución. En este contexto, el presente estudio se propone evaluar el rendimiento de estas arquitecturas al ser entrenadas con mamografías la máxima resolución de la base de datos y otras reducidas a una resolución menor. Esto permite observar hasta qué punto los modelos mantienen su capacidad de aprendizaje y clasificación bajo condiciones subóptimas, aportando evidencia empírica relevante para aplicaciones reales, especialmente en contextos de recursos limitados donde las imágenes de alta calidad pueden no estar disponibles. Los resultados se analizan con la métrica IoU, métrica que usa datos que pueden significar un subajuste durante el entrenamiento".
dc.folio20251020114137-2193-TL
dc.formatpdf
dc.identificator1
dc.identifier.urihttps://hdl.handle.net/20.500.12371/32012
dc.language.isospa
dc.matricula.creator202040969
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--Tumores--Por región, sistema u órgano del cuerpo, o tipo de tumor--Mama
dc.subject.lccMedicina interna--Diagnóstico--Diagnóstico por imágenes
dc.subject.lccMatemáticas--Instrumentos y máquinas--Máquinas de calculo--Ciencias de la computación--Redes neuronales
dc.subject.lccAnálisis de imágenes--Procesamiento de datos
dc.subject.lccProcesamiento de imágenes--Técnicas digitales
dc.thesis.careerLicenciatura en Física Aplicada
dc.thesis.degreedisciplineÁrea de Ingeniería y Ciencias Exactas
dc.thesis.degreegrantorFacultad de Ciencias Físico Matemáticas
dc.thesis.degreetoobtainLicenciado (a) en Física Aplicada
dc.titleSemántica en mamografías con deep Learning: Eficiencia de CNN modificadas con DeepLabV3+
dc.typeTesis de licenciatura
dc.type.conacytbachelorThesis
dc.type.degreeLicenciatura
Files
Original bundle
Now showing 1 - 2 of 2
Name:
20251020114137-2193-TL.pdf
Size:
9.42 MB
Format:
Adobe Portable Document Format
Download
Name:
20251020114137-2193-CARTA.pdf
Size:
1.7 MB
Format:
Adobe Portable Document Format
Collections
Tesis de Licenciatura