Abstract:
|
A lo largo de la última década hemos asistido a un desarrollo sin precedentes de las tecnologías de la salud. Los avances en la informatización, la creación de redes, las técnicas de imagen, la robótica, las micro/nano ...[+]
A lo largo de la última década hemos asistido a un desarrollo sin precedentes de las tecnologías de la salud. Los avances en la informatización, la creación de redes, las técnicas de imagen, la robótica, las micro/nano tecnologías, y la genómica, han contribuido a aumentar significativamente la cantidad y diversidad de información al alcance del personal clínico para el diagnóstico, pronóstico, tratamiento y seguimiento de los pacientes. Este aumento en la cantidad y diversidad de datos clínicos requiere del continuo desarrollo de técnicas y metodologías capaces de integrar estos datos, procesarlos, y dar soporte en su interpretación de una forma robusta y eficiente.
En este contexto, esta Tesis se focaliza en el análisis y procesado de señales biomédicas y su uso en problemas de clasificación automática. Es decir, se focaliza en: el diseño e integración de algoritmos para el procesado automático de señales biomédicas, el desarrollo de nuevos métodos de extracción de características para señales, la evaluación de compatibilidad entre señales biomédicas, y el diseño de modelos de clasificación para problemas clínicos específicos. En la mayoría de casos contenidos en esta Tesis, estos problemas se sitúan en el ámbito de los sistemas de apoyo a la decisión clínica, es decir, de sistemas computacionales que proporcionan conocimiento experto para la decisión en el diagnóstico, pronóstico y tratamiento de los pacientes.
Una de las principales contribuciones de esta tesis consiste en la evaluación de la compatibilidad entre espectros de resonancia magnética (ERM) obtenidos mediante dos tecnologías de escáneres de resonancia magnética coexistentes en la actualidad (escáneres de 1.5T y de 3T). Esta compatibilidad se evalúa en el contexto de clasificación automática de tumores cerebrales. Los resultados obtenidos en este trabajo sugieren que los clasificadores existentes basados en datos de ERM de 1.5T pueden ser aplicables a casos obtenidos con la nueva tecnolog
[-]
|