Zepeda Fernández, Cristian HeberArredondo Velázquez, Juan MoisésZepeda Fernández, Cristian Heber; 0000-0002-1716-3127Rodríguez Sánchez, Uriel2026-02-032026-02-032025-08-21https://hdl.handle.net/20.500.12371/31157“La Tomografía Computarizada de Baja Dosis (LDCT, por sus siglas en inglés) ha sido ampliamente adoptada en entornos clínicos con el objetivo de minimizar la exposición del paciente a radiación ionizante. Sin embargo, esta reducción de dosis conlleva un aumento significativo en cuanto a cantidad de ruido de las imágenes resultantes, comprometiendo la calidad diagnóstica y dificultando la visualización de estructuras anatómicas finas. Ante esta problemática, el presente trabajo propone una estrategia de entrenamiento novedosa para una Red Neuronal de Convolución (Autoencoder) con la que sea posible obtener un modelo capaz de reducir el ruido presente en imágenes LDCT. La propuesta se basa en el uso de un autoencoder convolucional, cuya función de costo está compuesta por una suma ponderada de distintas métricas de calidad de imagen, así como funciones que evalúan la preservación de bordes. Este autoencoder fue entrenado inicialmente con Tomografías Computarizadas de Dosis Normal (NDCT), lo que permitió al sistema aprender representaciones latentes propias de las Tomografías Computarizadas de Dosis Normal. Posteriormente, al introducir Tomografías Computarizadas de Baja Dosis (LDCT) en el codificador, se llevó a cabo un proceso de alineación del espacio latente, cuyo objetivo fue acercar las representaciones latentes de las imágenes LDCT a las correspondientes a NDCT”.pdfspaCIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRAIngeniería (General)--Óptica aplicada--Procesamiento óptico de datos--Procesamiento de imágenesIngeniería eléctrica--Electrónica--Circuitos electrónicos (general)--Ruido Ruido electrónicoProcesamiento de imágenes--Técnicas digitalesRuido electrónico--Modelos matemáticosRedes neuronales (Computación)Tesis de maestríaopenAccess