Resumen:
En este proyecto de grado, se aborda el desarrollo de un sistema de visión artificial basado
en técnicas de procesamiento digital de imágenes y Machine Learning (ML), con un
enfoque específico en el uso de Convolutional Neural Networks (CNN) para el reconocimiento
y segmentación de heridas corto punzantes. La investigación se centra en comparar
tres arquitecturas de segmentación de imágenes: U-Net2D, SegNet y DeepLabV3+ con
ResNet50 como codificador. Un aspecto distintivo de este trabajo radica en su enfoque
específico en la segmentación de heridas corto punzantes, un área que ha recibido poca
atención previa. Esta investigación busca aportar a esta brecha de conocimiento al abordar
específicamente este tipo de heridas, con el propósito de garantizar que el sistema sea
robusto ante variaciones de iluminación, rotación y desplazamiento del objetivo, lo que
lo hace apto para aplicaciones médicas, como la sutura autónoma, contribuyendo así al
campo de la visión artificial en medicina.
Se entrenan los modelos U-Net2D, SegNet y DeepLabV3+ en un conjunto de datos especializado,
recopilado de la web y etiquetado usando Hasty.ai. Diseñado específicamente
para la segmentación de heridas corto-punzantes. Las métricas de entrenamiento y validación
como Dice, IoU, Precision y Recall demuestran que el modelo DeepLabV3+ es
superior en términos de generalización, mientras que los dos modelos restantes tienden al
sobre ajuste.
Se realizan inferencias en tiempo real para determinar la robustez de los modelos ante
variaciones o disturbios. Los resultados confirman al modelo DeepLabV3+ como candidato
óptimo para aplicaciones médicas de segmentación y resaltan que U-Net2D puede llegar a
ser superior en la detección de detalles finos. Respecto a SegNet, se considera poco preciso
en la detección de bordes y extremadamente sensible ante la variabilidad de los datos, por
lo que no se considera viable para aplicaciones médicas. Este trabajo contribuye al avance
del conocimiento en el campo de la visión artificial en medicina y abre nuevas posibilidades
para mejorar la precisión y eficacia en el tratamiento de heridas corto punzantes.
