Método para la detección automatizada de espondilolistesis basado en modelo de detección de vertebras por aprendizaje profundo
| dc.campus | Unitec San Pedro Sula | |
| dc.catalogador | Genesis Adriana Gutiérrez | |
| dc.collection | Trabajo de Investigación | |
| dc.contributor.advisor | Karla Reyes | |
| dc.contributor.author | Diego Rene Espinal Valle | |
| dc.contributor.author | Carlos Guillermo Mejía Guardado | |
| dc.coverage | San Pedro Sula, Cortés, Honduras | |
| dc.date.accessioned | 2026-04-13T22:35:45Z | |
| dc.date.available | 2026-04-13T22:35:45Z | |
| dc.date.issued | 2026-04-05 | |
| dc.description.abstract | La espondilolistesis es una afección prevalente de la columna vertebral caracterizada por el desplazamiento anterior de una vértebra sobre otra adyacente. El uso de métodos manuales para su diagnóstico implica una amplia preparación para el médico y puede considerarse una práctica muy compleja y que requiere mucho tiempo, especialmente cuando se trata de múltiples pacientes.Por lo tanto, se necesita un sistema para la detección automática de la espondilolistesis lumbar que reduzca el tiempo empleado en el diagnóstico y proporcione valores objetivos basados en mediciones.Este estudio presenta un método de detección automática de espondilolistesis utilizando un modelo de aprendizaje profundo para la detección vertebral. El objetivo fue desarrollar y validar un algoritmo capaz de identificar con precisión los límites vertebrales y medir la traslación vertebral utilizando el sistema de clasificación Meyerding.La metodología implicó el preprocesamiento de imágenes de rayos X, el entrenamiento de un modelo de detección de vértebras y la implementación de un algoritmo para calcular la traslación vertebral.Para el entrenamiento y la validación se utilizaron un total de 714 imágenes, incluidas 197 de pacientes hondureños y 517 de la base de datos LSPINE de la BUU. El modelo alcanzó una precisión media del 98% en la predicción de los límites y del 95% en la detección de los puntos clave.El rendimiento del algoritmo se validó frente a mediciones manuales realizadas por especialistas, demostrando una alta precisión y fiabilidad. Los resultados indican que el método desarrollado puede reducir significativamente la variabilidad diagnóstica y proporcionar mediciones objetivas, mejorando la toma de decisiones clínicas. Este sistema de detección automatizado ofrece una herramienta prometedora para mejorar el diagnóstico y la planificación del tratamiento de la espondilolistesis. | |
| dc.description.abstract | Spondylolisthesis is a prevalent spinal condition characterized by the anterior displacement of a vertebra over an adjacent one. The use of manual methods for its diagnosis involves extensive preparation for the physician and can be considered a highly complex and time-consuming practice, especially when dealing with multiple patients.Therefore, a system for the automatic detection of lumbar spondylolisthesis is needed to reduce the time spent in diagnosis and to provide objective values based on measurements.This study introduces an automatic detection method for spondylolisthesis using a deep learning model for vertebral detection. The objective was to develop and validate an algorithm capable of accurately identifying vertebral boundaries and measuring vertebral translation using the Meyerding classification system.The methodology involved pre-processing X-ray images, training a vertebrae detection model, and implementing an algorithm to calculate vertebral translation.A total of 714 images, including 197 from Honduran patients and 517 from the BUU LSPINE database, were used for training and validation. The model achieved an average accuracy of 98% for bounding box predictions and 95% for keypoint detection.The algorithm’s performance was validated against manual measurements by specialists, demonstrating high accuracy and reliability. The findings indicate that the developed method can significantly reduce diagnostic variability and provide objective measurements, enhancing clinical decision-making.This automated detection system offers a promising tool for improving the diagnosis and treatment planning of spondylolisthesis. | |
| dc.discipline | Ingeniería y TI/ Engineering & IT | |
| dc.faculty | Facultad de Ingeniería | |
| dc.finalwork.creationdate | 01/06/2024 | |
| dc.format | ||
| dc.identifier.uri | https://repositorio.unitec.edu//handle/123456789/14271 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Tecnológica Centroamericana UNITEC | |
| dc.rights | Attribution-NonCommercial-ShareAlike 4.0 International. | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0 | |
| dc.source | Universidad Tecnológica Centroamericana UNITEC | |
| dc.subject | Aprendizaje profundo | |
| dc.subject | Clasificación de Meyerding | |
| dc.subject | Detección automática | |
| dc.subject | Espondilolistesis | |
| dc.subject | Procesamiento de imágenes de rayos X | |
| dc.subject.ddc | 616.73 E76 | |
| dc.thesis.degreelevel | Grado | |
| dc.thesis.degreename | Ingeniería en Biomédica / I-10 | |
| dc.title | Método para la detección automatizada de espondilolistesis basado en modelo de detección de vertebras por aprendizaje profundo | |
| dc.type | Thesis |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- Método para la detección automatizada de espondilolistesis basado en modelo de detección de vertebras por aprendizaje profundo.pdf
- Size:
- 5.62 MB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed upon to submission
- Description: