Browsing by Author "Mery Quiroz, Domingo"
Now showing 1 - 8 of 8
Results Per Page
Sort Options
- ItemA novel online self-learning system with automatic object detection model for multimedia applications(2020) Cheng, E. J.; Prasad, M.; Yang, J.; Zheng, D. R.; Tao, X.; Mery Quiroz, Domingo; Young, K. Y.; Lin, C. T.
- ItemAlgoritmo de optimización probabilístico para resolver el problema de selección de modelo.(2012) Cortázar Morizon, Esteban; Mery Quiroz, Domingo; Pontificia Universidad Católica de Chile. Escuela de IngenieríaEn aprendizaje supervisado existen numerosos algoritmos de preprocesamiento, selección de variables y clasificación, cada uno de los cuales tiene parámetros que permiten ajustarlo. El conjunto de combinaciones de algoritmos y parámetros (modelos) es enorme. Además, cada posible modelo debe ser entrenado y probado numerosas veces para una evaluación certera de su poder predictivo. Esta combinación de espacio de búsqueda grande y tiempo de evaluación elevado hace que encontrar un buen modelo puede tomar mucho tiempo. Por ejemplo, en el capítulo de experimentos, se puede ver que PSMS (un algoritmo de estado del arte, específicamente diseñado para la selección de modelo) requiere de más de dos semanas y media en la búsqueda de un modelo para un conjunto determinado de datos.
- ItemDeep learning algorithms for the classification of gastric atrophy based on endoscopic videos(2023) Tramon Hidalgo, Javier Omar; Mery Quiroz, Domingo; Pontificia Universidad Católica de Chile. Escuela de IngenieríaEl cáncer gástrico es de los cánceres más letales en Chile, siendo el primer país a nivel latinoamericano en tasa de mortalidad. La endoscopia es el examen fundamental para su detección, pero tiene diversas complicaciones que limitan llegar a la mayor cantidad de pacientes posibles, como la poca disponibilidad de tiempo, el limitado numero de expertos, y el alto costo de este procedimiento. Este trabajo busca reducir esta brecha, utilizando deep learning como herramienta para ayudar al diagnostico durante el examen o posterior a este. Con videos endoscópicos realizados bajo el protocolo Sidney, médicos del departamento de gastroenterología UC etiquetaron estos con los resultados obtenidos en biopsia, además de otros metadatos, como edad, sexo, etc., para entrenar modelos que logren detectar el sector estomacal (importante para la aplicación del protocolo), además de otros modelos que logren predecir el nivel de atrofia gástrica (condición estrechamente relacionada al cáncer gástrico). Se lograron modelos de clasificación de sector estomacal con una precisión superior a 96.00%, modelos de clasificación de atrofia con precisión de hasta 76.88% y sensibilidades del hasta 81.25%, que al combinar los mejores en un gran modelo compuesto logran una precisión superior a 90.00% y sensibilidad sobre 90.00% al clasificar pacientes en base al video de su endoscopia. Entre las principales contribuciones de este trabajo se encuentra la base de datos pública de imágenes y videos endoscópicos, además de modelos de aprendizaje profundo que clasifican imágenes por sector estomacal y nivel de atrofia en imágenes de cuerpo, antro y ángulo, y finalmente, lograr un modelo compuesto por estos para clasificar pacientes con base en su video endoscópico en tiempo real. Con esto se logran los objetivos de la tesis, dejando la puerta abierta a futuras aplicaciones clínicas del modelo compuesto para análisis durante el examen endoscópico, además de expandir las clasificaciones y detecciones del mismo.
- ItemMEG Connectivity and Power Detections with Minimum Norm Estimates Require Different Regularization Parameters(2016) Hincapie, A.; Kujala, J.; Mattout, J.; Daligault, S.; Delpuech, C.; Mery Quiroz, Domingo; Cosmelli, Diego; Jerbi, K.
- ItemObject recognition in X-ray testing using an efficient search algorithm in multiple views(2017) Pieringer Baeza, Christian Philip; Zuccar, I.; Riffo, V.; Mery Quiroz, Domingo
- ItemSistema para medir tiempos de espera en colas de supermercado usando visión por computador y métodos estadísticos(2011) Cortéz Cargill, Pedro Manuel; Mery Quiroz, Domingo; Pontificia Universidad Católica de Chile. Escuela de IngenieríaLas empresas con ventas al por menor, deben lidiar con diversas variables para mantener la satisfacción del cliente en niveles aceptables, ya que estas están directamente relacionada con la fidelidad del cliente. Esto toma especial interés en los supermercados o tiendas de auto servicio, ya que estas deben lidiar con los tiempos de espera, generados en largas filas formadas por los clientes al momento de pagar por los productos; lo cual afecta directamente la satisfacción del cliente. Es por esto que, proponemos un sistema para calcular tiempos de espera en colas de supermercados, a partir de técnicas de visión por computador, inteligencia de máquina y múltiples vistas.
- ItemSkin lesions recognition using federated and swarm learning: a case study in Chile(2024) Romero Jofré, Pamela Ignacia; Mery Quiroz, Domingo; Pontificia Universidad Católica de Chile. Escuela de IngenieríaEl diagnóstico correcto de tumores y lesiones de la piel es de suma importancia. Los modelos de aprendizaje profundo (DL) se pueden utilizar como herramientas de diagnóstico en dermatología, ya que ayudan en el diagnóstico del cáncer de piel con resultados comparables al de los expertos. Para entrenar estos modelos de DL, se requiere una gran cantidad de datos y que estos sean diversos. Esto se convierte en una barrera para instituciones con escasos datos locales. Además, existe una creciente preocupación por los problemas de privacidad relacionados con el intercambio de datos. Este estudio busca evaluar el desempeño de modelos de DL (AlexNet, VGG, GoogLeNet, ResNet, Vision Transformer, y VMamba) en el diagnóstico de imágenes dermatoscópicas a través de 4 diferentes algoritmos de aprendizaje: Primero, el aprendizaje local, donde no se comparten datos ni parámetros del modelo. En segundo lugar, el aprendizaje central, en el que se comparten tanto los datos como los parámetros de los modelos. En tercer lugar, el aprendizaje federado, donde los parámetros se comparten, pero no los datos (un servidor central permite administrar y distribuir los parámetros). Finalmente se probó el aprendizaje de enjambre, donde se comparten los parámetros pero no los datos y no cuenta con un servidor central. El aprendizaje federado y de enjambre pueden permitir la colaboración entre diferentes instituciones, reduciendo los problemas de privacidad. Realizamos un análisis en 2 conjuntos de datos públicos provenientes del conjunto de datos del Hospital Italiano de Buenos Aires (HIBA), de Argentina, y en el conjunto de datos del International Skin Imaging Collaboration (ISIC). También se utilizó un tercer conjunto de datos no público con imágenes de nuestra institución (TRAWA-S). Desarrollamos dos métodos, el primero utilizando únicamente ISIC dividido en 3 conjuntos de datos (ISIC 1, ISIC 2, e ISIC 3) y el segundo, con los conjuntos de datos HIBA, ISIC y TRAWA-S. Las estrategias de aprendizaje federado y de enjambre mejoran los resultados de las métricas de desempeño (AUROC, AUPRC, accuracy y F1-score) en el conjunto de prueba con respecto al aprendizaje local en ISIC 1: 16%, 36%, 8.57%, y 31.71%; ISIC 2: 10%, 19%, 5.72%, y 22.41%; ISIC 3: 7%, 18%, 4.9%, y 18.61%; HIBA: 9%, 9%, 4.8%, y 11.22%; ISIC: 7%, 10%, 3.2%, y 6.46%; TRAWA-S: 5%, 9%, 5.6%, y 18.59%. A través del aprendizaje federado y de enjambre, se obtienen mejores resultados para predecir el tipo de lesión de la piel en conjuntos de datos locales. Estos algoritmos de aprendizaje ayudan a disminuir el sesgo y aumentar la variabilidad en el sistema.
- ItemTechnical and regulatory challenges in artificial intelligence-based pulse oximetry: a proposed development pipeline(Elsevier Ltd., 2025) Cabanas, Ana M.; Martín-Escudero, Pilar; Pagan, Josué; Mery Quiroz, DomingoPulse oximetry, although generally effective under ideal conditions, faces challenges in accurately estimating peripheral oxygen saturation (SpO2) in complex clinical scenarios, particularly at lower saturation levels and in patients with darker skin pigmentation. Artificial intelligence (AI) offers the potential to improve SpO2 monitoring by enabling more accurate, equitable, and accessible estimations. We highlight key challenges in developing AI-enhanced pulse oximetry, including the need for diverse and representative datasets, refined validation protocols addressing ethical concerns such as algorithmic bias, expanded SpO2 measurement ranges encompassing hypoxaemic levels, and enhanced model interpretability. We emphasise the importance of transitioning from subjective skin tone assessments to quantitative methods to ensure equity and mitigate bias. Finally, we propose a development pipeline and discuss strategies for robust, fair AI-based SpO2 monitoring, including aligning validation with global regulatory frameworks and fostering interdisciplinary collaboration. These advances will improve the reliability and fairness of pulse oximetry, ultimately contributing to enhanced global patient care.