○ planned · proyecto
Otorga nivel a: Image Segmentation · Convolutional Neural Network
Usa: Image Segmentation · Image Classification · Convolutional Neural Network · Support Vector Machine · Transfer Learning
Jimena Olveres (UNAM/CECAP) presenta aplicaciones de IA y visión computacional al análisis de imágenes médicas en México, desde features manuales hasta deep learning, incluyendo el primer sistema web abierto de detección de COVID-19 en Latinoamérica.
Hallazgos clave
- La IA reduce tiempo de diagnóstico, variabilidad entre médicos y error humano ante el volumen de imágenes y la fatiga del radiólogo.
- Tres niveles: features manuales (pocas imágenes) → ML clásico (SVM, random forest) → deep learning (miles de imágenes); cada patología exige su propio algoritmo (narrow AI).
- En salud la IA no va sola: requiere médicos para anotar, supervisar y validar (retroalimentación con PCR).
- Casos: cáncer colorrectal con SVM (96.47%), segmentación de cerebelo fetal (YOLO/FCN), lesiones de piel con YOLO + data augmentation.
- Hipertensión pulmonar: segmentación de 4 cavidades cardíacas con ensamble de CNNs como alternativa no invasiva al cateterismo.
- Sistema COVID-19: clasifica y segmenta lesiones (vidrio despulido, consolidación) aceptando DICOM, JPEG, TIFF, PNG y fotos de celular.
Módulos
- Contexto institucional (CECAP/UNAM) e imaginología médica.
- Motivaciones y cambio de paradigma analógico→digital.
- Enfoques metodológicos — manual, ML clásico y deep learning.
- Casos — cáncer colorrectal, fetos, piel.
- Hipertensión pulmonar — colaboración con Siglo XXI.
- Sistema COVID-19 — detección en TC y rayos X.
Fuente: https://www.youtube.com/watch?v=EJcDJX925WM · Transcript local: data/cursos/datapub-vision-medica/vision-medica.srt
Enlaces
Otorga nivel a: Image Segmentation · Convolutional Neural Network Usa: Image Segmentation · Image Classification · Convolutional Neural Network · Support Vector Machine · Transfer Learning