https://ri-ng.uaq.mx/handle/123456789/8140 Sat, 13 Jun 2026 00:34:18 GMT 2026-06-13T00:34:18Z https://ri-ng.uaq.mx/handle/123456789/12903 Reducción del ruido en el proceso de desdoblamiento de fase espacial mediante redes neuronales Karla Lizeth Villafuerte Ruiz En esta tesis se presenta una evaluación integral del desdoblamiento de fase espacial mediante la comparación entre métodos tradicionales y modelos basados en aprendizaje profundo. Se trabajó con datos sintéticos y reales obtenidos a través de la perfilometría por proyección de franjas (FPP), con el objetivo de reducir el ruido presente en los mapas de fase y disminuir el error en la reconstrucción tridimensional. Los métodos tradicionales, aunque ampliamente utilizados, mostraron limitaciones significativas en escenarios con discontinuidades, ruido estructurado y variaciones de iluminación, produciendo artefactos y pérdidas de información. En contraste, las arquitecturas basadas en redes neuronales convolucionales (CNN), particularmente U-Net y sus variantes, demostraron un desempeño superior tanto cuantitativa como cualitativamente. Los modelos alcanzaron mejoras notables en métricas como PSNR, SSIM e IMMSE, además de generar reconstrucciones visualmente más coherentes y robustas ante condiciones experimentales no ideales. Los resultados obtenidos confirman que el uso de aprendizaje profundo mejora de manera sustancial la calidad del desdoblamiento de fase espacial y representa una alternativa efectiva frente a los métodos clásicos. Finalmente, se identificaron limitaciones relacionadas con la disponibilidad de datos reales, la brecha entre entornos sintéticos y experimentales y los requerimientos computacionales, proponiendo líneas de trabajo futuro orientadas a ampliar los datos. Tue, 05 May 2026 00:00:00 GMT https://ri-ng.uaq.mx/handle/123456789/12903 2026-05-05T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12847 Desarrollo de modelo de Inteligencia Artificial para la detección de glaucoma basado en imágenes de fondo de ojo y OCT Rodrigo García López Tue, 01 Feb 2028 00:00:00 GMT https://ri-ng.uaq.mx/handle/123456789/12847 2028-02-01T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12717 Algoritmos de optimización para búsqueda de trayectorias en espacios tridimensionales Iván Michael Gómez Azpilcueta En Inteligencia Artificial, la búsqueda de trayectorias consiste en encontrar el camino entre dos puntos dados en un escenario creado digitalmente. Se toman en cuenta criterios como la trayectoria más corta, más barata o rápida, entre dos puntos dispersos en un escenario. Los escenarios creados pueden ser multidimensionales. Existen diferentes algoritmos de búsqueda de trayectorias que aplican técnicas heurísticas para encontrar la solución a la búsqueda de trayectorias. Mediante dichas heurísticas es posible determinar de manera eficiente (rápida) aunque aproximada, qué tan lejos se encuentran un punto de otro en el espacio multidimensional. Normalmente se utiliza la distancia lineal al objetivo, ya que claramente es la mínima y por tanto la más rápida de obtener. Sin embargo, existen escenarios donde, en la búsqueda de la trayectoria, intervienen obstáculos dispersos, los cuales no permiten que la distancia lineal sea la trayectoria viable. En este trabajo se presenta un análisis comparativo entre los cuatro principales algoritmos de búsqueda de trayectorias en un entorno bidimensional con elementos gráficos tridimensionales y su posterior implementación mediante el lenguaje de programación Python. Dichos algoritmos son: el algoritmo de búsqueda en anchura, el algoritmo de búsqueda en profundidad, el algoritmo de Dijkstra y el algoritmo A*. Los algoritmos de búsqueda de trayectorias fueron programados en una computadora con un procesador Intel Core i5-3570 a 3.40 GHz de 64 bits y 32 GB de memoria RAM a 1660 MHz. Los criterios utilizados para evaluar los programas y seleccionar aquel con el mejor rendimiento computacional son: número de bloques procesados durante la ejecución del programa, número de pasos a seguir en la trayectoria encontrada, tiempo de ejecución del programa durante las pruebas, así como la memoria y porcentaje de CPU utilizados durante la ejecución de las pruebas. Con base en el análisis experimental llevado a cabo, se determinó que el algoritmo con mejor desempeño es el Algoritmo A*. Este algoritmo fue implementado finalmente en un entorno de búsqueda de trayectorias en tiempo real. Mon, 16 Feb 2026 00:00:00 GMT https://ri-ng.uaq.mx/handle/123456789/12717 2026-02-16T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12592 Metodología basada en Inteligencia Artificial para detección de anormalidades Asociadas Al Cáncer de Mama En Imágenes Termográficas Dulce Sofía Marín Chávez El cáncer de mama es una de las causas más comunes de muerte en mujeres a nivel mundial, con más de 2.3 millones de casos al año y se espera un aumento a 3.2 millones en 2040. Existen diferentes técnicas de diagnóstico incluyendo la mastografía, el ultrasonido, muestras de biopsia y termografía. La termografía registra la variación de temperatura en la superficie del cuerpo, es rápida, no invasiva, sin radiación y de bajo costo. Esta técnica se divide en estática y dinámica, siendo esta última menos explorada. Varios trabajos han utilizado termografía estática con éxito, pero surge la necesidad de llevar a cabo más investigación en la versión dinámica, al igual de métodos efectivos para la detección temprana del cáncer de mama, por lo que este trabajo propone un sistema basado en inteligencia artificial para la clasificación de imágenes termográficas buscando mejorar la precisión y sensibilidad de efectividad del diagnóstico, siendo una respuesta innovadora a la demanda social y médica, por lo tanto, el escaso uso de la termografía dinámica resalta un área de enfoque de futuras investigaciones. Wed, 10 Dec 2025 00:00:00 GMT https://ri-ng.uaq.mx/handle/123456789/12592 2025-12-10T00:00:00Z