Salvato in:
| Autore principale: | |
|---|---|
| Natura: | Artículo científico |
| Lingua: | es |
| Pubblicazione: |
Universidad Politécnica Salesiana
2026
|
| Soggetti: | |
| Accesso online: | https://www.redalyc.org/articulo.oa?id=505583422012 https://www.redalyc.org/journal/5055/505583422012/ https://www.redalyc.org/journal/5055/505583422012/html/ https://www.redalyc.org/journal/5055/505583422012/505583422012.epub https://www.redalyc.org/journal/5055/505583422012/movil |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
| _version_ | 1866813000774582272 |
|---|---|
| author | Gabriela Jaén-Armijos |
| author_facet | Gabriela Jaén-Armijos |
| contents | Clasificación de fracturas en extremidades superiores con aprendizaje profundo Gabriela Jaén-Armijos Evelyn Morán-Castillo Wilmer Rivas-Asanza Eduardo Tusa Ingeniería radiografía fracturas óseas Extremidades humanas inteligencia artificial redes neuronales artificiales La identificación precisa de fracturas en las extremidades superiores es fundamental para un diagnóstico oportuno en los entornos de urgencias médicas. Este estudio analiza y compara el desempeño de tres modelos de aprendizaje profundo preentrenados: EfficientNet-B4, ResNet-50 y ConvNeXt-Large, aplicados a la clasificación automática de fracturas óseas en radiografías del repositorio MURA, distribuidas en siete regiones anatómicas. Se aplicaron técnicas avanzadas de preprocesamiento digital, como Unsharp Masking y CLAHE, junto con estrategias de normalización y balanceo de datos. El entrenamiento se llevó a cabo en dos experimentos: uno binario, que clasifica entre “fractura” y “no fractura”, y otro multiclase, con catorce tipos de fracturas identificadas. La evaluación, mediante métricas como F1-Score, sensibilidad, exactitud y curvas ROC-AUC, reveló que ConvNeXt-Large alcanzó el mejor rendimiento, logrando una precisión del 99,0% en clasificación binaria y del 99,4% en la clasificación multiclase. Estos resultados posicionan a ConvNeXt-Large como una herramienta altamente prometedora para apoyar el diagnóstico temprano de fracturas óseas. 2026 artículo científico 1390-650X https://www.redalyc.org/articulo.oa?id=505583422012 https://www.redalyc.org/journal/5055/505583422012/ https://www.redalyc.org/journal/5055/505583422012/html/ https://www.redalyc.org/journal/5055/505583422012/505583422012.epub https://www.redalyc.org/journal/5055/505583422012/movil 10.17163/ings.n35.2026.02 es http://www.redalyc.org/revista.oa?id=5055 Ingenius. Revista de Ciencia y Tecnología application/pdf Universidad Politécnica Salesiana Ingenius. Revista de Ciencia y Tecnología (Ecuador) Num.35 |
| format | Artículo científico |
| id | redalyc_505583422012 |
| language | es |
| publishDate | 2026 |
| publisher | Universidad Politécnica Salesiana |
| spellingShingle | Clasificación de fracturas en extremidades superiores con aprendizaje profundo Gabriela Jaén-Armijos Ingeniería radiografía fracturas óseas Extremidades humanas inteligencia artificial redes neuronales artificiales Clasificación de fracturas en extremidades superiores con aprendizaje profundo Gabriela Jaén-Armijos Evelyn Morán-Castillo Wilmer Rivas-Asanza Eduardo Tusa Ingeniería radiografía fracturas óseas Extremidades humanas inteligencia artificial redes neuronales artificiales La identificación precisa de fracturas en las extremidades superiores es fundamental para un diagnóstico oportuno en los entornos de urgencias médicas. Este estudio analiza y compara el desempeño de tres modelos de aprendizaje profundo preentrenados: EfficientNet-B4, ResNet-50 y ConvNeXt-Large, aplicados a la clasificación automática de fracturas óseas en radiografías del repositorio MURA, distribuidas en siete regiones anatómicas. Se aplicaron técnicas avanzadas de preprocesamiento digital, como Unsharp Masking y CLAHE, junto con estrategias de normalización y balanceo de datos. El entrenamiento se llevó a cabo en dos experimentos: uno binario, que clasifica entre “fractura” y “no fractura”, y otro multiclase, con catorce tipos de fracturas identificadas. La evaluación, mediante métricas como F1-Score, sensibilidad, exactitud y curvas ROC-AUC, reveló que ConvNeXt-Large alcanzó el mejor rendimiento, logrando una precisión del 99,0% en clasificación binaria y del 99,4% en la clasificación multiclase. Estos resultados posicionan a ConvNeXt-Large como una herramienta altamente prometedora para apoyar el diagnóstico temprano de fracturas óseas. 2026 artículo científico 1390-650X https://www.redalyc.org/articulo.oa?id=505583422012 https://www.redalyc.org/journal/5055/505583422012/ https://www.redalyc.org/journal/5055/505583422012/html/ https://www.redalyc.org/journal/5055/505583422012/505583422012.epub https://www.redalyc.org/journal/5055/505583422012/movil 10.17163/ings.n35.2026.02 es http://www.redalyc.org/revista.oa?id=5055 Ingenius. Revista de Ciencia y Tecnología application/pdf Universidad Politécnica Salesiana Ingenius. Revista de Ciencia y Tecnología (Ecuador) Num.35 |
| title | Clasificación de fracturas en extremidades superiores con aprendizaje profundo |
| topic | Ingeniería radiografía fracturas óseas Extremidades humanas inteligencia artificial redes neuronales artificiales |
| url | https://www.redalyc.org/articulo.oa?id=505583422012 https://www.redalyc.org/journal/5055/505583422012/ https://www.redalyc.org/journal/5055/505583422012/html/ https://www.redalyc.org/journal/5055/505583422012/505583422012.epub https://www.redalyc.org/journal/5055/505583422012/movil |