¡Bienvenido al repositorio de la asignatura de Procesamiento de Imágenes Médicas con Inteligencia Artificial!

En este repositorio, encontrarás todos los materiales relacionados con la asignatura de Procesamiento de Imágenes Médicas impartida en el cuarto año de la carrera. Aquí se incluyen notebooks, actividades prácticas, el trabajo final, teoría y la participación en una competición relacionada con el tema.

En la carpeta [Teoria] encontrarás todos los notebooks que abarcan los fundamentos teóricos de Procesamiento de Imágenes Médicas con Inteligencia Artificial. Estos documentos proporcionan una base sólida para comprender los conceptos clave de la asignatura.

Estas actividades están diseñadas para fortalecer la comprensión y habilidades prácticas en el procesamiento de imágenes médicas.

• Actividad 1: Consiste en contar el número de círculos en una imagen a color mediante procesamiento de imágenes. Incluye la conversión a escala de grises, la umbralización de la imagen, la aplicación de morfología matemática y la detección de círculos.
• Actividad 2: La actividad implica la aplicación de dos modelos de detección de objetos, fasterrcnn_resnet50_fpn y retinanet_resnet50_fpn, para identificar y delinear cráteres en imágenes tomadas de la superficie de Marte y la Luna. Estos modelos son arquitecturas de redes neuronales convolucionales entrenadas previamente que han demostrado ser efectivas en tareas de detección de objetos en imágenes.

Este proyecto nos permitió aplicar de manera integral los conocimientos adquiridos a lo largo del curso en un proyecto más extenso y enfocado.

• Trabajo Final: se enfoca en la aplicación de la arquitectura preexistente de la red neuronal VGG16 para abordar la diferenciación entre neumonía, COVID-19 y pulmones normales. El propósito principal es mejorar la precisión en la identificación de estos tres tipos de imágenes pulmonares, contribuyendo así a un diagnóstico más eficiente y preciso de enfermedades pulmonares.

En esta competición, vamos a afrontar un problema real, patrocinado por una competición de Kaggle: Data Science Bowl 2018, con un premio de 100.000$. Este conjunto de datos contiene una gran cantidad de imágenes de núcleos de células segmentados. Las imágenes fueron adquiridas bajo una gran diversidad de condiciones y varían en el tipo de célula, el tamaño y la modalidad de imagen (campo claro frente a fluorescencia). El conjunto de datos está diseñado para poner a prueba la capacidad de un algoritmo para generalizar a través de estas variaciones. El objetivo de nuestra competición consistirá en hacer un algoritmo de segmentación empleando modelos de Machine Learning de segmentación (es uno de los tipos que hemos visto en clase) consiguiendo la mayor puntuación posible (según está definida en la sección Evaluación). Ganará la competición el/la que mejor puntuación obtenga en 3 de las 7 imágenes propuestas. Estas 3 se escogeran de manera aleatoria por el profesor