1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Maestría
  5. Maestría en Ciencias en Inteligencia Artificial
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/13093
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorOliver Jonathan Quintana Quintanaes_ES
dc.creatorOliverio Castillo Rochaes_ES
dc.date.accessioned2026-07-02T15:54:54Z-
dc.date.available2026-07-02T15:54:54Z-
dc.date.issued2026-06-30-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/13093-
dc.descriptionLa degeneración macular asociada a la edad (DMAE) es una de las principales causas de perdida visual irreversible en adultos mayores, y su diagnóstico oportuno mediante tomografía de coherencia óptica (OCT) puede verse limitado por el tiempo requerido para el análisis manual y la variabilidad entre especialistas. En este contexto, el presente trabajo tiene como objetivo evaluar el desempeño de modelos de aprendizaje profundo para la clasificación automática de imágenes OCT en tres categorías: NORMAL, DRUSEN y CNV. Se propone una arquitectura híbrida basada en CSWinTransformer como backbone, sobre la cual se integran dos estrategias multiescala: Feature Pyramid Network (FPN) y Atrous Spatial Pyramid Pooling (ASPP), con el fin de determinar cuál ofrece una mejor representación de los patrones retinianos asociados a la DMAE. La metodología incluye un pipeline de preprocesamiento espec´ıfico para imágenes OCT, compuesto por padding reflectivo, recorte guiado por región de interés, redimensionamiento con conservación de proporción y normalización z-score en la región valida, así como la aplicación de aumentos de datos únicamente durante el entrenamiento. Los experimentos se realizaron utilizando el conjunto público Labeled Retinal OCT Dataset, separando previamente un conjunto de prueba externo a nivel de paciente y aplicando validación cruzada estratificada y agrupada de 5 folds sobre el conjunto restante, con el objetivo de evitar fuga de información y obtener una evaluación robusta. El desempeño se midió mediante exactitud, precisión, recall, Macro-F1, Weighted-F1 y curvas ROC One-vs-Rest con sus respectivos valores de AUC. Los resultados muestran que la configuración CSWin-Transformer + ASPP en su entrenamiento base alcanza el mejor desempeño global, con una exactitud de 0.9440 ± 0.0073, un Macro-F1 de 0.9433 ± 0.0069 y un Macro-AUC de 0.9799 ± 0.0014. Asimismo, se observa que el fine-tuning aporta mejoras limitadas en esta variante, mientras que en FPN sí genera incrementos más notorios sin superar a ASPP. En conclusión, la integración de un Transformer jerárquico con ASPP representa una alternativa eficaz y robusta para la clasificación automática de imágenes OCT en el contexto de la DMAE.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (107 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autonoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectDMAEes_ES
dc.subjectOCTes_ES
dc.subjectAprendizaje profundoes_ES
dc.subjectCSWin-Transformeres_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleClasificación automática de Degeneración Macular Asociada a la Edad en imágenes Tomografías de Coherencia Óptica mediante Aprendizaje Profundoes_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0003-9615-9525es_ES
dc.contributor.identificador0000-0003-2566-1756es_ES
dc.contributor.roleDirector de tesises_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator244534es_ES
dc.folioIGMAC-244534es_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-244534.pdfMaestría en Ciencias en Inteligencia Artificial2.68 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.