Un paseo por las demandas en el área de Bioingeniería de FCEFyN

y la mucha o poquita

matemática/ciencia de datos que hay detrás

imágenes vs combinatoria algebraica ¿?

Algoritmo

de compresión

Algoritmo compresión

Algoritmo compresión

¿que usamos? ¿Lenguaje?

Las columnas de H’

son autovectores de la matriz de adyacencia

​

​

Aquí el trabajo completo

Estudio de Cariotipo

Patrón Cromosómico del Paciente

Detectar Alteraciones Cromosómicas

Diagnosticar Enfermedades Genéticas

Mejora de Brillo y Contraste

Segmentación de la Imagen

Operaciones Morfológicas

Segmentación y Etiquetado en la Práctica

Desarrollo de Planilla de Cariotipo

¿que usamos?

FILTRADO ESPACIAL

​

• LINEAL
• NO LINEAL

​

LENGUAJE INGENIERIL

LENGUAJE MATEMÁTICO

​

​

correlación

​

convolución

​

​

Ejemplo de FILTROS LINEALES ( BORDES)

Ejemplo de FILTROS LINEALES(SUAVIZADO)

FILTROS DE ORDEN (no lineales)

Menor

Mayor

FILTROS DE MÍNIMO (no lineal)

Menor

Mayor

MÍNIMO

FILTROS DE MÍNIMO (no lineal)

Menor

Mayor

FILTROS DE MEDIANA (no lineal)

Menor

Mayor

MEDIANA

FILTROS DE MEDIANA (no lineal)

Menor

Mayor

FILTROS DE MÁXIMO (no lineal)

Menor

Mayor

MÁXIMO

FILTROS DE MÁXIMO (no lineal)

Menor

Mayor

FILTRO DE MÁXIMO

FILTRO DE MÍNIMO

operaciones punto a punto

(no consideran una vecindad del pixel)

¿Lenguaje?

hard

& soft

skills

​

​

Índice de Densidad Mamaria

​

Verónica Tessino y Valeria Rulloni

Aquí el trabajo completo

�ANTECEDENTE: CLASIFICACIÓN AUTOMÁTICA DE DENSIDAD MAMARIA�

• Base de datos de mamografías digitales: 6613 imágenes correspondientes a 1576 estudios.

(a: 473; b: 2703; c: 2797; d: 423.)

​

• Pre-procesamiento: adecuación de la imagen y extracción de características.

​

• Programa: a partir de las características obtenidas se elaboró un algoritmo que clasifica automáticamente la densidad mamaria basándose en el sistema BI-RADS.
• Resultados: el modelo obtuvo un promedio de aciertos del 76% en relación a la clasificación dada previamente por el personal médico.

ETAPAS SIGUIENTES

​

​

PROBLEMÁTICAS EMERGENTES

​

• Valoración de la densidad condicionada por la subjetividad y experiencia del profesional.
• Precisión mejorable para aplicaciones médicas.
• Elaboración de una interfaz de usuario.

​

​

SOLUCIÓN PROPUESTA

​

Implementar técnicas de análisis de datos y aprendizaje automático con la finalidad de inferir una variable latente continua que permita cuantificar la relación entre la imagen y densidad radiológica asociada.

PROGRAMA FINAL

​

Crear una interfaz gráfica en la cual el usuario pueda ingresar mamografías para su clasificación e imprima en pantalla la categoría BI-RADS resultante y la densidad numérica.

​

¿que usamos?

Procesamiento de imágenes + Ciencia de Datos

extracción de features

reducción de dimensionalidad PCA

algoritmo supervisado

​

Agrupamiento de pacientes con migraña

Necesidad de Centro de Salud del ámbito privado. Instituto Conci-Carpinella

Descripción del dataset

Quedo conformado por 50 pacientes adultos con:�- T1 3D que contiene entre 128-256 cortes por volumen. �- Evaluación neurocognitiva (ENP): con variables tanto cuantitativas como categóricas relacionadas al estado anímico del paciente, esferas cognitivas, emocionales, etc..

Sustancia Gris segmentada

Sustancia Blanca segmentada

Features obtenidas

• Categóricas
• Atención
• Velocidad de procesamiento
• Memoria �

​

• Numéricas
• Depresión
• Ansiedad
• Estrés
• Hit 6
• MIDAS
• Volumen de Sustancia Gris (C1)
• Volumen de Sustancia Blanca (C2)
• Volumen de LCR (LCR)
• Volúmenes Areas de Brodmann

Elección de modelo correcto

Agrupamiento de pacientes migrañosos

¿que usamos?

procesamiento de imágenes + ciencia de datos

extracción de features

reducción de dimensionalidad UMAP

algoritmo no supervisado (k-means)

​

¡GRACIAS!