Resumen La detección y el diagnóstico de diabetes e hipertensión presentan un escenario desafiante, principalmente en etapas tempranas. Estos dos son degenerativos y de graves consecuencias, provocando daños en múltiples órganos, incluidos los ojos. El oftalmólogo examina el fondo de la retina para discriminar el tipo de enfermedad. En el caso de la retinopatía, como enfermedad crónica, se evidencia en varias clases de progresión. La retinopatía diabética se clasifica en cuatro, que incluyen etapas leve, moderada, grave y proliferativa. En la etapa proliferativa, la retina produce factores vasoproliferativos que estimulan el crecimiento de nuevos vasos sanguíneos, aumentando el riesgo de pérdida de visión. En cuanto a la retinopatía hipertensiva, el método de clasificación más utilizado es la clasificación de Keith-Wagener-Barker. Similar a la retinopatía diabética, también consta de cuatro clases, que van de leves a graves. En la etapa grave, existe un mayor riesgo de desarrollar papiledema o edema retiniano. El objetivo principal de esta investigación es realizar la segmentación y clasificación de imágenes de fondo de retina con retinopatía diabética e hipertensiva. Se propuso una combinación de una red convolucional UNet y una ConvNet para la segmentación de máscara de vasos y la clasificación de retinopatía, respectivamente. El proceso de clasificación se basa en diez clases definidas, donde los valores que van del 0 al 4 representan la retinopatía diabética y los valores del 5 al 9 corresponden a la retinopatía hipertensiva. Los resultados aproximados en la segmentación fueron índices Jaccard de 74%, F1 de 85% y un Accuracy de 96%, y en la clasificación un Accuracy de 80%.

Abstract The detection and diagnosis of diabetes and hypertension present a challenging scenario, mainly in the early stages. These two are degenerative and with severe consequences, causing damage to multiple organs, including the eyes. The ophthalmologist examines the retinal fundus to discriminate between the type of disease. In the case of retinopathy, as a chronic disease, evidence in various classes of progression. Diabetic retinopathy is categorized into four, which include mild, moderate, severe, and proliferative stages. In the proliferative stage, the retina produces vasoproliferative factors that stimulate the growth of new blood vessels, increasing the risk of vision loss. As for the hypertensive retinopathy the most widely used method for classifying is the Keith-Wagener-Barker classification. Like diabetic retinopathy, it consists also of four classes, ranging from mild to severe. In the severe stage, there is an increased risk of developing papilledema or retinal edema. The main objective of this research is to perform segmentation and classification of diabetes and hypertensive retinopathy retinal fundus images. Using a combination of a convolutional network UNet and a ConvNet was proposed for vessel mask segmentation and retinopathy classification, respectively. The classification process relies on ten defined classes, where values ranging from 0 to 4 represent diabetic retinopathy, and values ranging from 5 to 9 correspond to hypertensive retinopathy. The approximate results in the segmentation were Jaccard index of 74%, F1 of 85%, and an Accuracy of 96%, and in the classification was Accuracy of 80%.

Abstract The widespread loss of biodiversity in agricultural landscapes and ecosystems is a global concern. This loss is related to the intensification of agricultural practices, the inappropriate use of agrochemicals and the fragmentation of natural habitats. All of this affects plant diversity and has an impact on the functioning of the ecosystem, limiting ecosystem services. Promoting greater functional diversity in the margins of our crops is an achievable goal through the management of the resources offered by the weed flora. In particular, species of the Brassicaceae Burnett family (hereinafter referred to as cruciferous), play a fundamental role in agrosystems by attracting natural enemies of pests and providing nectar and pollen to pollinators. The objective of this study was to detect and estimate the floral resources offered by cruciferous plants in the presence of other weed species. To this end, an experiment was designed at the “La Poveda” farm (CSIC, Madrid) in 2023, in which up to 4 flights were carried out with a drone over the floral margins where three cruciferous plants of interest were found: Diplotaxis tenuifolia, Eruca vesicaria and Moricandia arvensis. These species represent some of the key functional traits of crucifers that are often present in our agrosystems. The detection of these species was carried out through the analysis of images captured by the drone and the implementation of convolutional neural network architectures. In this work, we present the first results of the models we are developing.

Resumen La pérdida generalizada de biodiversidad en los paisajes y ecosistemas agrarios es una preocupación a nivel global. Esta pérdida se relaciona con la intensificación de las prácticas agrícolas, el uso inadecuado de agroquímicos y la fragmentación de hábitats naturales. Todo esto afecta la diversidad vegetal y tiene un impacto en el funcionamiento del ecosistema, limitando los servicios ecosistémicos. Promover una mayor diversidad funcional en los márgenes de nuestros cultivos es una meta alcanzable mediante el manejo de los recursos que nos ofrece la flora arvense. En particular, las especies de la familia Brassicaceae Burnett (en adelante, crucíferas), desempeñan un papel fundamental en los agrosistemas al atraer enemigos naturales de plagas y proporcionar néctar y polen a los polinizadores. El objetivo de este estudio era detectar y estimar los recursos florales ofrecidos por las crucíferas en presencia de otras especies arvenses. Para ello, se diseñó un experimento en la finca “La Poveda” (CSIC, Madrid) en 2023, en el que se llevaron a cabo hasta 4 vuelos con un dron sobre los márgenes florales donde se encontraban tres crucíferas de interés: Diplotaxis tenuifolia, Eruca vesicaria y Moricandia arvensis. Estas especies representan algunos de los rasgos funcionales clave de las crucíferas que suelen estar presentes en nuestros agrosistemas. La detección de estas especies se realizó mediante el análisis de imágenes capturadas por el dron y la implementación de arquitecturas de redes neuronales convolucionales. En este trabajo, presentamos los primeros resultados de los modelos que estamos desarrollando.

Abstract Weeds negatively affect crop yield and quality by competing with the crop for resources. Detecting them in time allows us to optimize control through the precise application of herbicides and reduce their environmental impact. However, its detection and classification are challenging due to the great diversity of species and similarities with crops. Deep learning methods have allowed the development of convolutional neural networks (CNN) for the classification of weed species. However, CNNs require large and varied data sets for training. This study proposes an innovative methodology using CNN, YOLOv8l and RetinaNet classifiers augmented with Stable Diffusion data, implemented artificial images of weeds. Three data sets were configured for training CNNs (real, artificial and mixed) in commercial tomato crops infested by Solanum nigrum L., Portulaca oleracea L. and Setaria verticillata L. The results showed a high degree of agreement with artificial images, reaching a maximum mean Average Precision (mAP) of 0.93 in both networks for the mixed data set. Stable Diffusion made it possible to generate large, high-quality data sets from a limited set of images, reducing the need to obtain a large number of images in the field and their subsequent manual labeling. Furthermore, the method can be adapted to other crops and weed species, thus contributing to the advancement of automated weed management systems.

Resumen Las malas hierbas afectan negativamente el rendimiento y calidad de las cosechas al competir con el cultivo por los recursos. Detectarlas a tiempo permite optimizar el control mediante la aplicación precisa de herbicidas y reducir su impacto ambiental. Sin embargo, su detección y clasificación es un desafío debido a la gran diversidad de especies y similitudes con los cultivos. Los métodos tradicionales de aprendizaje profundo (Deep Learning) han permitido el desarrollo de redes neuronales convolucionales (CNN) para la clasificación de especies de mala hierba. Sin embargo, las CNN requieren amplios y variados conjuntos de datos para su entrenamiento. Este estudio propone una metodología innovadora utilizando clasificadores de CNN, YOLOv8l y RetinaNet aumentados con datos de Stable Diffusion (SD), implementado imágenes de malas hierbas generadas artificialmente. Para ello, se configuraron tres conjuntos de datos para el entrenamiento de las CNNs (real, artificial y mixto) en cultivos de tomate comercial infestados por Solanum nigrum L., Portulaca oleracea L. y Setaria verticillata L. Los resultados mostraron un alto grado de acuerdo con imágenes artificiales, alcanzando un mean Average Precision (mAP) máximo de 0,93 en ambas redes para el conjunto de datos mixto. SD permitió generar grandes conjuntos de datos de alta calidad a partir de un conjunto limitado de imágenes, reduciendo la necesidad de obtener un gran número de imágenes en campo y su posterior etiquetado manual. Además, el método puede adaptarse a otros cultivos y especies de mala hierba, contribuyendo así al avance de los sistemas automatizados de gestión de malas hierbas.

Abstract Accurate detection and identification of weeds are essential in the implementation of Precision Agriculture (PA). In this study, we addressed the detection and classification of weeds in maize and tomato in their early growth stages by integrating images acquired from UAVs and analysis based on advanced convolutional neural networks. Subsequently, the objective of this research was the creation of geo-referenced maps that would allow localized and selective post-emergence management of weed species. Our results indicate that the combination of UAV-captured imagery and deep learning algorithm-based image analysis provides an effective solution for this purpose. The accuracy and efficiency achieved in the identification of weeds in their early stage were promising, both in the set of species present in the crop and in individual species. This advance is of great relevance in the field of PA, as it would allow a more efficient management of weeds by selecting the herbicide according to the type of weed present, reducing the use of herbicides and ultimately contributing to the sustainability and profitability of agriculture. In addition, the generation of geo-referenced maps facilitates real-time decision making. In summary, this study suggests that the combination of emerging technologies, such as drones and deep neural networks, may be applicable tools in localized weed management in the context of PA.

Resumen La detección precisa y la identificación de malas hierbas son esenciales en la implementación de la Agricultura de Precisión (AP). En este estudio, se abordó la detección y la clasificación de malas hierbas en maíz y tomate en sus etapas tempranas de crecimiento mediante la integración de imágenes adquiridas desde drones y análisis basado en avanzadas redes neuronales convolucionales. Posteriormente, el objetivo de esta investigación fue la creación de mapas georreferenciados que permitieran una gestión en post-emergencia localizada y selectiva de las especies de malas hierbas. Nuestros resultados indican que la combinación de imágenes captadas por drones y un análisis de las mismas basado en algoritmos de aprendizaje profundo proporciona una solución efectiva para este propósito. La precisión y eficiencia alcanzadas en la identificación de malas hierbas en su etapa temprana fueron prometedoras, tanto en el conjunto de especies presentes en el cultivo como en especies individuales. Este avance es de gran relevancia en el ámbito de la AP, ya que permitiría una gestión más eficiente de las malas hierbas mediante la selección del herbicida según el tipo de mala hierba presente, reduciendo el uso de herbicidas y, en última instancia, contribuyendo a la sostenibilidad y la rentabilidad de la agricultura. Además, la generación de mapas georreferenciados facilita la toma de decisiones en tiempo real. En resumen, este estudio sugiere que la combinación de tecnologías emergentes, como drones y redes neuronales profundas, pueden ser herramientas aplicables en el manejo localizado de malas hierbas en el contexto de la AP.

Abstract Magnetic Resonance Imaging (MRI) is a non-invasive method that produces volumetric, high-resolution anatomy images. This method is commonly used for diagnosing various brain pathologies, such as demyelinating diseases, dementia, cerebrovascular diseases, and epilepsy, among others. However, manually segmenting tissues in these images is a complex task that requires a significant amount of time and effort from specialists. To address this, various strategies have been proposed in the literature that involve less expert involvement, both automatic and semi-automatic. In this study, a comparison is made between a convolutional neural network based on U-Net architecture and two other MRI segmentation methods, Dipy and FSL. The comparison uses three publicly available datasets, MRBrainS13, MRBrainS18, and IBSR, which contain MRI volumes with manually segmented brain tissues. The performance of each method is evaluated using four measures of similarity: The Dice coefficient, the Jaccard index, the area under the curve, and structural similarity. The results demonstrate that the methods based on convolutional neural networks achieve segmentations that are more similar to those performed manually by an expert compared to the other methods. (MRI noninvasive non invasive volumetric highresolution high resolution pathologies diseases dementia epilepsy others However specialists involvement semiautomatic. semiautomatic semi automatic. semi-automatic study UNet U Net FSL datasets MRBrainS13 MRBrainS MRBrainS18 IBSR similarity coefficient index curve MRBrainS1

Resumen La Resonancia Magnética (MRI, por sus siglas en inglés) es un método no invasivo que produce imágenes anatómicas volumétricas de alta resolución. Este método se utiliza comúnmente para diagnosticar diversas patologías cerebrales, como enfermedades desmielinizantes, demencia, enfermedades cerebrovasculares, epilepsia, entre otras. Sin embargo, la segmentación manual de tejidos en estas imágenes es una tarea compleja que requiere una cantidad significativa de tiempo y esfuerzo por parte de especialistas. Para abordar esto, se han propuesto diversas estrategias en la literatura que implican menos participación de expertos, tanto automáticas como semiautomáticas. En este estudio, se realiza una comparación entre una red neuronal convolucional basada en la arquitectura U-Net y otros dos métodos de segmentación de MRI, Dipy y FSL. La comparación utiliza tres conjuntos de datos disponibles públicamente, MRBrainS13, MRBrainS18 e IBSR, que contienen volúmenes de MRI con tejidos cerebrales segmentados manualmente. El rendimiento de cada método se evalúa usando el coeficiente de Dice, el índice de Jaccard, el área bajo la curva y la similitud estructural. Los resultados demuestran que los métodos basados en redes neuronales convolucionales logran mejorar la segmentación de tejido cerebral. (MRI inglés resolución desmielinizantes demencia cerebrovasculares epilepsia otras embargo especialistas esto expertos semiautomáticas estudio UNet U Net FSL públicamente MRBrainS13 MRBrainS MRBrainS1 IBSR manualmente Dice Jaccard estructural cerebral

Resumen Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo ''Tramontina'' es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil ''Pretul'' es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo ''Ubermann'' es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión.

Abstract Introduction: The great diversity of tropical timber species demands the development of new technologies capable of identifying them based on their patterns or anatomical characteristics. The application of convolutional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to the promising results of CNNs. Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization and distinction of anatomical features in the CNN model training. Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle, Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database of macroscopic images of the cross-section of wood was generated through cutting with three different tools and observing its performance in the laboratory, field, and checkpoint. Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 macroscopic images were obtained with a portable microscope and correspond to 25 timber species. We found the ''Tramontina'' knife to be durable, however, it loses its edge easily and requires a sharpening tool, the ''Pretul'' retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the ''Ubermann'' knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and interchangeable blades in case of dullness. Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom Vision convolutional neural network models, which was evidenced in the precision metrics.

Abstract: A methodology for multispectral camera calibration using convolutional neural networks is presented. RGB images were captured from the multispectral camera for each of the standards, the samples are taken under the same lighting conditions and with the same capture angle. The images are fragmented into small matrix sizes added to a specific class, and saved with a special label to distinguish it from the entire class database, the same process takes the remaining 7 Lucideon Std color tiles. One of the tiles will correspond to a particular class with an equal dimension for all classes. Finally, based on the presented methodology, it is possible to calibrate the camera with respect to the references.

Resumen: Se presenta una metodología para la calibración de cámara multiespectral mediante redes neuronales convolucionales. Se capturaron imágenes en RGB de la cámara multiespectral para cada uno de los estándares, las muestras son tomadas con las mismas condiciones de iluminación y con el mismo ángulo de captura. Las imágenes son fragmentadas en pequeños tamaños de matrices agregados a una clase específica, y guardada con una etiqueta especial para distinguirla de toda la base de datos de la clase, el mismo proceso lleva los 7 cerámicos de color restantes Lucideon Std. Uno de los cerámicos corresponderá a una clase en particular con una dimensión igual para todas las clases. Finalmente, con base a la metodología presentada se logra calibrar la cámara con respecto a las referencias.

RESUMEN Este trabajo tiene como objetivo presentar una comparativa de diferentes técnicas de detección de objetos y determinar cuál de ellos es el más adecuado para detectar personas en tiempo real y así controlar eficientemente el aforo de personas en espacios públicos cerrados para ayudar a prevenir la propagación del COVID-19. En este estudio se han puesto a prueba soluciones basadas en redes neuronales como R-CNN, YOLO y SSD, así como soluciones no neuronales como SVM y HOG. Se trabajo con modelos entrenados con del conjunto de datos MS COCO, y se utilizó el dataset Wisenet para evaluar los diferentes modelos. Todos los modelos fueron puestos a prueba en tres aspectos diferentes, siendo estos la precesión, velocidad de inferencia y el error. En las pruebas el modelo YOLO demostró un rendimiento mayor a los demás, mientras que la implementación de SSD demostró el rendimiento más bajo en mayoría de las pruebas.

ABSTRACT This work aims to present a comparison of different object detection techniques and determine which of them is the most suitable to detect people in real time and thus efficiently control the capacity of people in closed public spaces to help prevent the spread of COVID-19. In this study, solutions based on neural networks such as R-CNN, YOLO and SSD, as well as non-neural solutions such as SVM and HOG, have been tested. We worked with models trained with the MS COCO dataset, and the Wisenet dataset was used to evaluate the different models. All models were tested in three different aspects, these being precession, speed of inference and error. In tests, the YOLO model demonstrated higher performance than the others, while the SSD implementation demonstrated the lowest performance in most tests.

Abstract Cardiovascular diseases such as Acute Myocardial Infarction are one of the 3 leading causes of death worldwide, according to WHO data. Similarly, cardiac arrhythmias, such as atrial fibrillation, are very common diseases at present. The electrocardiogram (ECG) is the means of cardiac diagnosis that is used in a standardized way worldwide. Machine learning models are very helpful in classification and prediction problems. Applied to the field of health, artificial neural networks (ANN) and convolutional neural networks (CNN) together with tree-based models such as XGBoost, are of vital help in the prevention and control of heart diseases. The objective of the present study is to compare and evaluate the learning based on the ANN, CNN and XGBoost algorithms using the Physionet MIT-BIH and PTB ECG databases, which provide ECGs classified with Arrhythmias and Acute Myocardial Infarctions, respectively. The learning times and the percentage of Accuracy of the 3 algorithms on the 2 databases are compared separately, and finally the data are crossed to compare the validity and safety of the prediction.

Resumen Las enfermedades cardiovasculares, como el infarto agudo de miocardio, son una de las tres principales causas de muerte en el mundo según datos de la OMS. De forma similar, las arritmias cardíacas¸ como la fibrilación auricular, son enfermedades muy comunes en la actualidad. El electrocardiograma (ECG) es el medio de diagnóstico cardíaco que se utiliza de forma estandarizada en todo el mundo. Los modelos de aprendizaje automático son muy útiles en problemas de clasificación y predicción. Aplicadas al campo de la salud, las redes neuronales artificiales (ANN) y las redes neuronales convolucionales (CNN) en conjunto con modelos basados en árboles como XGBoost, son de vital ayuda en la prevención y control de enfermedades del corazón. El presente estudio tiene como objetivo comparar y evaluar el aprendizaje basado en los algoritmos ANN, CNN y XGBoost mediante el uso de las bases de datos de ECG Physionet MITBIH y PTB, que proporcionan ECG clasificados con arritmias e infartos agudos de miocardio, respectivamente. Se comparan por separado los tiempos de aprendizaje y el porcentaje de exactitud de los tres algoritmos en las dos bases de datos, y finalmente se cruzan los datos para comparar la validez y seguridad de la predicción.

Abstract The scanning electron microscope (SEM) is commonly used to analyze nanoparticles of different materials and improve manufacturing methods, purification systems, and improve the medical industry, among others. In this article, a systematic mapping of the literature regarding the use of deep learning (AP) techniques for the detection and classification of nanoparticles contained in SEM micrographs is presented. The results reflect those variants of convolutional neural networks (CNN) that are the most widely used techniques to analyze micrographs, obtaining high precision in the projects carried out in the reviewed publications. As proof of concept, examples of the use of the most common approaches in SEM micrographs of CaCO3, including tools like OpenAI, are presented. The results reveal advantages and challenges that arise when using deep learning techniques in the analysis of SEM micrographs.

Resumen El microscopio electrónico de barrido (SEM) es comúnmente utilizado para analizar nanopartículas de distintos materiales y mejorar métodos de fabricación, sistemas de purificación, mejoras en la industria médica, entre otras. En este artículo, se presenta un mapeo sistemático de la literatura referente al uso de técnicas de aprendizaje profundo (AP) para la detección y clasificación de nanopartículas contenidas en micrografías SEM. Los resultados reflejan que las redes neuronales convolucionales (CNN) son las técnicas más utilizadas para analizar micrografías, obteniendo una alta precisión en los proyectos realizados en las publicaciones revisadas. Como prueba de concepto, se presentan ejemplos del uso de los enfoques más comunes en micrografías SEM de CaCO3, incluyendo el uso de herramientas como OpenAI. Los resultados revelan ventajas y retos que se presentan al utilizar técnicas de aprendizaje profundo en el análisis de micrografías SEM.

Abstract The extraction of time series features is essential across various fields, yet it remains a challenging endeavor. Therefore, it's crucial to identify appropriate methods capable of extracting pertinent information that can significantly enhance classification performance. Among these methods are those that translate time series into different domains. This study investigates three distinct time series transformation approaches for addressing time series classification challenges within biomedical data. The first method involves a response vector transformation, while the other two employ image transformation techniques: RandOm Convolutional KErnel Transform (ROCKET), Gramian Angular Fields, and Markov Transition Fields. These transformation methods were applied to five biomedical datasets, exploring various format configurations to ascertain the optimal representation technique and configuration for input, which in turn improves classification performance. Evaluations were conducted on the effectiveness of these methods in conjunction with two classification algorithms. The outcomes underscore the significance of these time series transformation techniques as facilitators for enhanced classification algorithms documented in current literature.

Resumen La extracción de características de series temporales es esencial en diversos campos, pero sigue siendo un desafío. Por lo tanto, es crucial identificar métodos apropiados capaces de extraer información pertinente que pueda mejorar significativamente el rendimiento de clasificación. Entre estos métodos se encuentran aquellos que traducen las series temporales a diferentes dominios. Este estudio investiga tres enfoques distintos de transformación de series temporales para abordar los desafíos de clasificación de series temporales en datos biomédicos. El primer método implica una transformación de vector de respuesta, mientras que los otros dos emplean técnicas de transformación de imagen: RandOm Convolutional KErnel Transform (ROCKET), Gramian Angular Fields y Markov Transition Fields. Estos métodos de transformación se aplicaron a cinco conjuntos de datos biomédicos, explorando diversas configuraciones de formato para determinar la técnica y configuración de representación óptima para la entrada, lo que a su vez mejora el rendimiento de clasificación. Se realizaron evaluaciones sobre la efectividad de estos métodos en conjunción con dos algoritmos de clasificación. Los resultados subrayan la importancia de estas técnicas de transformación de series temporales como facilitadoras para mejorar los algoritmos de clasificación documentados en la literatura actual.

Abstract This paper aims to introduce an innovative approach to semantic segmentation by leveraging a convolutional neural network (CNN) for predicting the shape and pose parameters of the left ventricle (LV). Our approach involves a modified U-Net architecture with a regression layer as the final stage, as opposed to the traditional classification layer. This modification allows us to predict all the shape and pose parameters of a statistical shape model, including rotation, translation, scale, and deformation. The adapted U-Net is trained using data from a point distribution model (PDM) of the LV. The experimental results demonstrate a mean Dice coefficient of 0.82 on good quality images, and 0.66 including mean and low-quality images. Our approach successfully overcomes a common issue encountered in CNN-based semantic segmentation. Unlike the inaccurate pixel classification that often leads to unwanted blobs, our CNN generates statistically valid shapes. These shapes hold significant potential in initializing other methods, such as active shape models (ASMs). Our novel CNN-based approach provides a novel solution for semantic segmentation, offering shapes and pose parameters that can enhance the accuracy and reliability of subsequent medical image analysis methods.

Resumen Este artículo tiene como objetivo introducir un enfoque innovador para la segmentación semántica utilizando una red neuronal convolucional (CNN) para predecir los parámetros de forma y posición del ventrículo izquierdo (VI). Nuestro enfoque implica una arquitectura U-Net modificada con una capa de regresión como etapa final, en contraposición a la capa de clasificación tradicional. Esta modificación nos permite predecir todos los parámetros de un modelo estadístico de formas que incluyen rotación, traslación, escala y deformación. La red convolucional se entrena utilizando datos de un modelo de distribución de puntos (PDM) del VI. Los resultados experimentales muestran un coeficiente Dice promedio de 0.82 para imágenes de buena calidad y de 0.66 cuando se incluyen imágenes de calidad media y baja. Nuestro enfoque supera con éxito un problema común en la segmentación semántica basada en CNNs. A diferencia de la clasificación inexacta de píxeles que a menudo conduce a elementos no deseados (blobs), nuestra CNN genera formas estadísticamente válidas. Estas formas tienen un gran potencial para inicializar otros métodos, como los modelos de forma activa (ASMs). En resumen, nuestro enfoque basado en CNN proporciona una solución innovadora para la segmentación semántica, ofreciendo formas y parámetros de posición que pueden mejorar la precisión y confiabilidad de otros métodos de análisis del VI.

ABSTRACT Context: This article presents the design of a computational predictive model that facilitates the recognition of Colombian Sign Language (LSC) in a hotel and tourism environment. Method: Artificial intelligence techniques and deep neural networks were applied in the learning and prediction of gestures in real time, which allowed the construction of a tool to reduce the gap and strengthen communication. Convolutional neural network algorithms were applied to real-time data capture. Movement was captured using mobile device video cameras, thus obtaining the images that make up the data set. The images were used as training data for an optimal computational model that can predict the meaning of a newly presented image. Results: The performance of the model was evaluated using categorical measures and comparing different configurations for the neural network. In addition to this, everything is supported with the use of tools such as Tensorflow, OpenCV and MediaPipe. Conclusions: Finally, a model capable of identifying and translating 39 different signs between words, numbers and basic phrases focused on the hotel sector was obtained, where a success rate of 97.6% was obtained in a controlled use environment. Acknowledgements: Pedagogical and Technological University of Colombia - UPTC

Resumen Contexto: Este articulo presenta el diseño de un modelo predictivo computacional que facilita el reconocimiento de la lengua de señas colombiana (LSC) en un entorno hotelero y turístico. Método: Se aplicaron técnicas de inteligencia artificial y redes neuronales profundas en el aprendizaje y la predicción de gestos en tiempo real, los cuales permitieron construir una herramienta para disminuir la brecha y fortalecer la comunicación. Se implementaron algoritmos de redes neuronales convolucionales sobre captura de datos en tiempo real. Se capturó movimiento mediante cámaras de video de dispositivos móviles; así, se obtuvieron las imágenes que forman el conjunto de datos. Las imágenes se utilizaron como datos de entrenamiento para un modelo computacional óptimo que puede predecir el significado de una imagen recién presentada. Resultados: Se evaluó el rendimiento del modelo usando medidas categóricas y comparando diferentes configuraciones para la red neuronal. Adicional a esto, todo está soportado con el uso de herramientas como Tensorflow, OpenCV y MediaPipe. Conclusiones: Se obtuvo un modelo capaz de identificar y traducir 39 señas diferentes entre palabras, números y frases básicas enfocadas al sector hotelero, donde se logró una tasa de éxito del 97,6 % en un ambiente de uso controlado. Agradecimientos: Universidad Pedagógica y Tecnológica de Colombia (UPTC).

Resumen: En esta investigación se propone un diseño de arquitectura para el reconocimiento de melanoma (un tipo de cáncer de piel) mediante el uso de una CNN (Red Neuronal Convolucional), trabajo que será de utilidad para investigadores en futuros proyectos en áreas como biomedicina, aprendizaje automático, y otras relacionadas avanzando en sus estudios y mejorando esta propuesta. La CNN se utiliza principalmente en visión por computador (una rama de la inteligencia artificial), aplicada al reconocimiento de patrones en lunares de la piel y para determinar la existencia de melanoma maligno, o no, con un conjunto de datos limitado. El clasificador CNN diseñado y entrenado en este caso se construyó mediante un par de capas de convolución y acumulación para formar una red neuronal de seis capas seguida de la totalmente conectada para completar la arquitectura con un clasificador de salida. La base de datos propuesta para entrenar nuestra CNN es la mayor colección pública de imágenes dermatoscópicas de melanomas y otras lesiones cutáneas, proporcionada por la International Skin Imaging Collaboration (ISIC), patrocinada por la International Society for Digital Imaging of the Skin (ISDIS), un esfuerzo internacional para mejorar el diagnóstico del melanoma. El propósito de esta investigación fue diseñar una Red Neuronal Convolucional con un alto nivel de precisión para ayudar a los profesionales de la medicina con un diagnóstico de melanoma, en este caso, fue posible obtener una precisión hasta del 88,75 %.

Abstract: This research is proposed a design of architecture for melanoma (a kind of skin cancer) recognition by using a Convolutional Neural Network (CNN), work that will be useful for researchers in future projects in areas like biomedicine, machine learning, and others related moving forward with their studies and improving this proposal. CNN is mostly used in computer vision (a branch of artificial intelligence), applied to pattern recognition in skin moles and to determine the existence of malignant melanoma, or not, with a limited dataset. The CNN classifier designed and trained in this case was built through a couple of layers of convolution and pooling stacked to form a neural network of 6 layers followed by the fully connected to complete the architecture with an output classifier. The proposed database to train our CNN is the largest publicly collection of dermoscopic images of melanomas and other skin lesions, provided by the International Skin Imaging Collaboration (ISIC), sponsored by International Society for Digital Imaging of the Skin (ISDIS), an international effort to improve melanoma diagnosis. The purpose of this research was to design a Convolutional Neural Network with a high level of accuracy to help professionals in medicine with a melanoma diagnosis, in this case, it was possible to get accuracy up to 88.75 %.

RESUMEN La segmentación juega un papel vital en las imágenes de angiografía por tomografía de coherencia óptica (OCT-A), ya que la separación y distinción de las diferentes partes que forman la mácula simplifican la detección posterior de patrones/enfermedades observables en la retina. En este trabajo, llevamos a cabo una segmentación de imágenes multiclase donde se destacan las mejores características en los plexos apropiados al comparar diferentes arquitecturas de redes neuronales, incluidas U-Net, ResU-Net y FCN. Nos centramos en dos zonas críticas: la segmentación de la vasculatura retiniana (RV) y la zona avascular foveal (FAZ). La precisión para RV y FAZ en 316 imágenes OCT-A de la base de datos OCT-A 500 se obtuvo en 93.21 % y 92.59 %. Cuando se segmentó la FAZ en una clasificación binaria, con un 99.83% de precisión.

ABSTRACT Segmentation is vital in Optical Coherence Tomography Angiography (OCT-A) images. The separation and distinction of the different parts that build the macula simplify the subsequent detection of observable patterns/illnesses in the retina. In this work, we carried out multi-class image segmentation where the best characteristics are highlighted in the appropriate plexuses by comparing different neural network architectures, including U-Net, ResU-Net, and FCN. We focus on two critical zones: retinal vasculature (RV) and foveal avascular zone (FAZ). The precision obtained from the RV and FAZ segmentation over 316 OCT-A images from the OCT-A 500 database at 93.21% and 92.59%, where the FAZ was segmented with an accuracy of 99.83% for binary classification.