| Tesis Doctorales de la Universidad de Alcalá |
| INTELIGENCIA ARTIFICIAL EN IMAGEN ULTRASÓNICA | | Autor/a | Muñoz Prieto, Mario | | Departamento | Electrónica | | Director/a | Camacho Sosa-Dias, Jorge Jaime | | Codirector/a | Fernández Cruza, Jorge | | Fecha de defensa | 09-06-2026 | | Calificación | Sobresaliente cum laude | | Programa | Electrónica: Sistemas Electrónicos Avanzados. Sistemas Inteligentes (RD 99/2011) | | Mención internacional | No | | Resumen | La ecografía (US) es una herramienta fundamental en el diagnóstico médico y en los ensayos no destructivos (NDT) industriales, gracias a su portabilidad, inocuidad y capacidad de visualización en tiempo real. Sin embargo, su eficacia se ve limitada por dos grandes desafíos: la subjetividad en la interpretación de imágenes en el dominio médico, como la ecografía pulmonar (LUS), y la dificultad en la generación precisa de imágenes en el dominio industrial (NDT), donde la refracción de las ondas complica la detección robusta del eco de superficie, un paso clave para la inspección de piezas por ultrasonidos.
Esta tesis doctoral aborda ambos desafíos mediante el diseño, desarrollo y validación de nuevas soluciones basadas en Deep Learning (DL).
En el dominio LUS, las contribuciones son triples. Primero, se desarrolló un sistema de segmentación semántica multi-artefacto (pleura, líneas A, líneas B, consolidaciones) basado en una arquitectura Attention U-Net, capaz de operar en tiempo real (>20 FPS). Segundo, este modelo se validó en un estudio internacional, multicéntrico y multi-escáner, demostrando que su rendimiento pronóstico es comparable al de los modelos de clasificación y, críticamente, que la estandarización del protocolo de adquisición es un factor clave para la generalización. Tercero, se demostró que el uso de Transfer Learning (TL) no solo mejora la precisión, sino que permite alcanzar un rendimiento similar con una reducción de datos de entrenamiento de aproximadamente el 45%.
En el dominio NDT, la contribución principal es DeepEcho3D, una arquitectura CNN 3D diseñada y entrenada para la detección de ecos de superficie en datos volumétricos (FMC). Se demostró que DeepEcho3D reduce los valores atípicos (outliers) en la estimación del Tiempo de Vuelo (TOF) hasta en un 98% en comparación con los métodos clásicos de umbral, habilitando así técnicas de auto-enfoque 3D precisas y robustas. Adicionalmente, se demostró que el TL permite adaptar este modelo a nuevas geometrías de sonda (de 11x11 a 8x16) utilizando un conjunto de datos de ajuste mínimo.
Finalmente, esta tesis validó la viabilidad de la implementación práctica de los modelos de LUS en plataformas hardware edge (FPGA y Edge TPU), demostrando que la cuantización a INT8 mantiene la precisión y ofrece un rendimiento superior a 85 FPS con una eficiencia energética hasta 19 veces mayor que una GPU.
En términos generales, este trabajo demuestra que el uso de Deep Learning permite superar limitaciones fundamentales del ultrasonido, proporcionando herramientas objetivas, robustas, eficientes en datos y desplegables en tiempo real tanto para el diagnóstico médico como para la inspección industrial. |
|
