Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/4334| Generación de imágenes de resonancia magnética para mejorar la clasificación de enfermedad mediante redes generativas adversarias Magnetic resonance imaging to improve disease classification using generative adversarial networks | |
| Andrés Geovani Calzada Jasso | |
| Andrey Chernykh Jorge Mario Cortés Mendoza | |
| Acceso Abierto | |
| Atribución | |
| enfermedad de Alzheimer, imágenes sintéticas, redes generativas adversarias, modelos de difusión, clasificación de imágenes Alzheimer’s disease, synthetic images, generative adversarial networks, diffusion models, image classification | |
| La Enfermedad de Alzheimer (EA) constituye un problema de salud global porque es la causa más común de demencia y requiere herramientas de apoyo para su diagnóstico oportuno, lo cual es fundamental para el adecuado manejo de la enfermedad y mejorar la calidad de vida de los pacientes. En los últimos años, los modelos de aprendizaje profundo han mostrado gran potencial en el análisis de imágenes médicas para la detección de enfermedades, sin embargo, uno de sus principales retos es la necesidad de grandes volúmenes de datos para su entrenamiento, especialmente en enfermedades como la EA donde los datos son escasos para estadios avanzados de la enfermedad. En este trabajo se diseñó, implementó y analizó un sistema basado en redes generativas adversarias (GAN por sus siglas en inglés) y modelos de difusión con eliminación de ruido (DDPM por sus siglas en inglés) para la generación de imágenes sintéticas de resonancia magnética cerebral con el fin de balancear conjuntos de datos y mejorar la identificación de los estadios de la EA mediante AHANet-C, una GAN basada en AHANet con super convergencia. AHANet-C demostró ser eficiente tanto en el tiempo de entrenamiento como en la generación de imágenes, alcanzando una precisión promedio del 99.39% en la evaluación. La inclusión de técnicas como la rotación y el ruido en las imágenes de entrada permitió mejorar la diversidad de las imágenes generadas sin salir del rango de las características de las imágenes reales. Por su parte, el modelo DDPM alcanzó una precisión de hasta 99.12% en la evaluación, aunque presentó limitaciones para generar imágenes realistas en estadios con alta escasez de datos y tiempos de ejecución considerablemente mayores, lo que reduce su viabilidad para aplicaciones clínicas. Los resultados destacan el potencial de los modelos GANs para mejorar la clasificación de la EA en conjuntos de datos desbalanceado, así como la necesidad de implementar mecanismos de validación de las imágenes sintéticas basados en la extracción de características texturales. Como trabajo futuro, se propone explorar arquitecturas generativas híbridas y su integración en esquemas de aprendizaje federado para preservar la privacidad de los datos clínicos. Alzheimer’s Disease (AD) represents a global health challenge because it is the most common cause of dementia, and it requires effective support tools for timely diagnosis, which is essential for proper disease management and improving patients' quality of life. In recent years, Deep Learning models have shown great potential in medical image analysis; however, one of the main challenges is the need for large volumes of training data, especially in diseases such as AD, where data is scarce for advanced stages of the disease. In this work, two models based on Generative Adversarial Networks (GANs) and Denoising Diffusion Probabilistic Models (DDPMs) were designed, implemented, and analyzed for the generation of synthetic brain magnetic resonance images, aiming to balance the dataset and improve the classification of the stages for AD using AHANet-C—a GAN-based model derived from AHANet with super convergence. AHANet-C proved efficient in both training time and image generation, achieving an average evaluation accuracy of 99.39%. The inclusion of techniques such as image rotation and noise addition improved the diversity of the generated images without deviating from the characteristics of real images. The DDPM model achieved an evaluation accuracy of up to 99.12% but showed limitations in generating realistic images for stages with severe data scarcity and with significantly longer execution times, which limits its viability for clinical applications. The results highlight the potential of GANs to mitigate data imbalance and enhance AD classification, as well as the importance of implementing validation mechanisms for synthetic images based on texture feature extraction. As future work, we propose exploring hybrid generative architectures and their integration into federated learning frameworks to preserve the privacy of clinical data. | |
| CICESE | |
| 2025 | |
| Tesis de maestría | |
| Español | |
| Calzada Jasso, A.G. 2025. Generación de imágenes de resonancia magnética para mejorar la clasificación de enfermedad mediante redes generativas adversarias. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 101 pp. | |
| DISPOSITIVOS DE TRANSMISIÓN DE DATOS | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Andrés Geovani Calzada Jasso_2025.pdf | Descripción completa de la tesis | 3.27 MB | Adobe PDF | Visualizar/Abrir |