Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2710| Clasificación de imágenes de flujo sanguíneo en aorta con CFD y redes neuronales convolucionales | |
| Edgar Omar Martínez Jiménez | |
| Raquel Diaz Hernandez | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Simulation Computational fluid dynamics Aorta Marfan síndrome Coarctation of the aorta Image classification | |
| Ante la necesidad de contar con herramientas diagnósticas complementarias, no invasivas y con potencial de aplicación en tiempo real, esta tesis propone una metodología basada en simulaciones de dinámica de fluidos computacional (CFD) y redes neuronales convolucionales (CNN) para la clasificación automática de imágenes de flujo aórtico. El diagnóstico temprano de enfermedades aórticas como la coartación de la aorta y el síndrome de Marfan es esencial para prevenir complicaciones cardiovasculares graves. Si bien las técnicas de imagen médicas permiten evaluar la anatomía vascular, presentan limitaciones al analizar la dinámica del flujo sanguíneo. En esta investigación se simularon 12 modelos anatómicos tridimensionales construidos a partir de tomografía computarizada y resonancia magnética, representando condiciones sanas y patológicas. A partir de estas simulaciones se generaron 2160 imágenes, las cuales fueron clasificadas en tres categorías (aorta sana, coartación de la aorta y síndrome de Marfan) mediante distintas arquitecturas de CNN. Los resultados demostraron una precisión destacable, alcanzando un F1-score del 98.47 % con la red Compact. Además, esta arquitectura destacó por su rápida capacidad de inferencia, con un tiempo promedio de 3.45 ms por imagen. Estos resultados respaldan firmemente el uso de esta metodología como una alternativa automatizable, reproducible y potencialmente aplicable en entornos clínicos en tiempo real. Given the need for complementary, non-invasive diagnostic tools with potential for real-time application, this thesis proposes a methodology based on computational fluid dynamics (CFD) simulations and convolutional neural networks (CNN) for automatic classification of aortic flow images. Early diagnosis of aortic diseases, such as coarctation of the aorta and Marfan syndrome, is essential to prevent severe cardiovascular complications. While medical imaging techniques enable the assessment of vascular anatomy, they have limitations in analyzing blood flow dynamics. In this research, 12 three-dimensional anatomical models were simulated, constructed from computed tomography and magnetic resonance imaging, representing healthy and pathological conditions. From these simulations, a total of 2,160 images were generated and classified into three categories (healthy aorta, aortic coarctation, and Marfan syndrome) using different CNN architectures. The results demonstrated remarkable accuracy, achieving an F1-score of 98.47 % with the Compact network. Moreover, this architecture stood out for its rapid inference capability, with an average inference time of 3.45 ms per image. These results strongly support the use of this methodology as an automatable, reproducible, and potentially real-time applicable alternative in clinical settings. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2025-08 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Martínez Jiménez, E. O., (2025), Clasificación de imágenes de flujo sanguíneo en aorta con CFD y redes neuronales convolucionales, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| OTRAS ESPECIALIDADES MÉDICAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias y Tecnologías Biomédicas |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| MARTINEZJEO_MCTB.pdf | 5.86 MB | Adobe PDF | Visualizar/Abrir |