Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/4335| Aprendizaje federado para la clasificación de enfermedades mediante imágenes de resonancia magnética Federated Learning for Disease Classification Using Magnetic Resonance Imaging | |
| Ixchel Dafne Avendaño Pacheco | |
| Andrey Chernykh LUIS BERNARDO PULIDO GAYTAN | |
| Acceso Abierto | |
| Atribución | |
| aprendizaje federado, clasificación de imágenes médicas, redes neuronales convolucionales, imágenes de resonancia magnética federated learning, medical image classification, convolutional neural networks, magnetic resonance imaging | |
| El uso de redes neuronales profundas ha demostrado un alto rendimiento en tareas de clasificación de imágenes médicas, alcanzando niveles de precisión comparables a los de expertos clínicos. Sin embargo, su aplicación en entornos reales enfrenta importantes limitaciones, como la escasez de datos representativos, el desbalance entre clases y las restricciones legales y éticas para compartir información sensible. En este contexto, el aprendizaje federado se presenta como una alternativa viable, al permitir el entrenamiento colaborativo de modelos sin necesidad de centralizar los datos. Esta tesis propone el diseño, desarrollo y validación de un sistema federado optimizado para la clasificación multiclase de imágenes de resonancia magnética cerebral en la detección de los estadios de la enfermedad de Alzheimer. Se evaluaron siete arquitecturas convolucionales del estado del arte y se desarrolló una versión mejorada del modelo AHANet, denominada AHANet-C, que incorpora un bloque de super-convergencia para reducir los tiempos de entrenamiento sin pérdida de precisión. Asimismo, se integraron estrategias de aumento de datos y generación de imágenes sintéticas para enfrentar el desbalance de clases y mejorar la capacidad de generalización. El sistema se evaluó en dieciséis escenarios experimentales que consideraron variaciones en el número de clientes, la cantidad de rondas de comunicación y el uso de datos sintéticos. Los resultados superaron el 98% de precisión promedio por estadio, con un desempeño comparable al reportado en la literatura. Este trabajo demuestra la viabilidad de aplicar aprendizaje federado en el diagnóstico automatizado de Alzheimer, preservando la privacidad de los datos clínicos y manteniendo un rendimiento robusto y eficiente. Deep neural networks have shown high performance in medical image classification tasks, reaching accuracy levels comparable to those of clinical experts. However, their application in real-world settings faces significant limitations, such as the scarcity of representative data, class imbalance, and legal and ethical constraints related to the sharing of sensitive information. In this context, federated learning emerges as a viable alternative, enabling the collaborative training of models without centralizing data. This thesis presents the design, development, and validation of an optimized federated system for multiclass classification of brain magnetic resonance images in the detection of Alzheimer’s disease stages. Seven state-of-the-art convolutional architectures were evaluated, and an enhanced version of the AHANet model, named AHANet-C, was developed by incorporating a superconvergence block to reduce training time without compromising accuracy. In addition, data augmentation and synthetic image generation strategies were integrated to address class imbalance and improve the model’s generalization capacity. The system was evaluated in sixteen experimental scenarios that varied the number of clients, communication rounds, and use of synthetic data. The best results exceeded 98% average accuracy per stage, achieving performance comparable to that reported in the literature. This work demonstrates the feasibility of applying federated learning to automated Alzheimer’s diagnosis, preserving clinical data privacy while ensuring robust and efficient performance. | |
| CICESE | |
| 2025 | |
| Tesis de maestría | |
| Español | |
| Avendaño Pacheco, I.D. 2025. Aprendizaje federado para la clasificación de enfermedades mediante imágenes de resonancia magnética. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 93 pp. | |
| ENSEÑANZA CON AYUDA DE ORDENADOR | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Ixchel Dafne Avendaño Pacheco_2025.pdf | Descripción completa de la tesis | 2.74 MB | Adobe PDF | Visualizar/Abrir |