https://repository.unad.edu.co/handle/10596/52586 Wed, 29 Apr 2026 08:34:57 GMT 2026-04-29T08:34:57Z https://repository.unad.edu.co/handle/10596/79194 Title: Eficacia de las redes neuronales en la mitigación de artefactos para tomografía computarizada y resonancia magnética: una revisión bibliográfica sobre calidad de imagen Abstract: Este trabajo analiza la eficacia de las redes neuronales en la mitigación de artefactos en Tomografía Computarizada (TC) y Resonancia Magnética (RM), tecnologías esenciales cuya fidelidad diagnóstica se ve frecuentemente alterada por distorsiones visuales denominadas artefactos. El marco teórico establece que estas anomalías como el endurecimiento del haz, los efectos metálicos en TC, o el solapamiento y las imágenes fantasmagóricas en RM surgen de interacciones complejas entre el equipo, el paciente y factores técnicos. Tales errores inducen a "falsos positivos" y obligan a la repetición de estudios, lo que contraviene el principio ALARA al aumentar la dosis de radiación y los costos operativos. La revisión destaca el potencial de la Inteligencia Artificial, específicamente de las Redes Neuronales Convolucionales (CNN) como U-Net y ResNet, para automatizar la detección y corrección de estas distorsiones. A diferencia de los métodos tradicionales dependientes de la pericia humana, estas arquitecturas permiten identificar patrones complejos para diferenciar la anatomía real del ruido técnico, optimizando la relación señal-ruido. El documento aborda además el marco legal y ético, incluyendo normativas colombianas y la protección de datos, subrayando cómo la automatización busca estandarizar la calidad diagnóstica y garantizar la seguridad del paciente en los servicios de imagenología contemporáneos. Palabras clave: Artefactos, Inteligencia artificial, Redes Neuronales Convolucionales, Tomografía Computarizada, Resonancia Magnética. Thu, 19 Feb 2026 00:00:00 GMT https://repository.unad.edu.co/handle/10596/79194 2026-02-19T00:00:00Z https://repository.unad.edu.co/handle/10596/78863 Title: Detección y corrección subóptima de artefactos en imágenes de radiografía digital mediante métodos manuales Abstract: La presente investigación tiene como propósito identificar y comparar prototipos de software para la detección y corrección automática de artefactos en imágenes de radiografía digital, esto se lleva a cabo con el análisis de información encontrada en diferentes bases de datos consultadas con material de estudio, que permite comparar su desempeño con los métodos manuales utilizados tradicionalmente. Los artefactos representan un desafío importante en el diagnóstico por imágenes, ya que pueden afectar la calidad visual y conducir a interpretaciones erróneas. El estudio incluye un análisis comparativo entre los métodos automáticos y manuales, considerando indicadores de precisión, tiempo de procesamiento y mejora en la calidad de imagen. Los resultados obtenidos buscan demostrar la viabilidad del uso de herramientas automatizadas en entornos clínicos, contribuyendo a optimizar los procesos radiológicos y mejorar la seguridad y exactitud diagnóstica. Mon, 16 Feb 2026 00:00:00 GMT https://repository.unad.edu.co/handle/10596/78863 2026-02-16T00:00:00Z https://repository.unad.edu.co/handle/10596/78782 Title: Optimización de parámetros de imagen basada en IA y aprendizaje automático Abstract: El presente proyecto aplicado tiene como objetivo optimizar los parámetros de adquisición de imagen en radiología mediante el uso de herramientas basadas en inteligencia artificial y aprendizaje automático, con el fin de mejorar la calidad diagnóstica y reducir la dosis de radiación al paciente. La investigación aborda la importancia de la implementación de tecnologías emergentes en los servicios de imágenes diagnósticas, permitiendo la estandarización de protocolos, la disminución de la variabilidad dependiente del operador y la optimización de los procesos en la práctica clínica. A partir de la revisión de literatura científica y del análisis del impacto de la IA en la radiología, se identifican los beneficios en términos de eficiencia, seguridad del paciente y apoyo en la toma de decisiones. Los resultados evidencian que la integración de estos sistemas contribuye al fortalecimiento de la calidad del servicio, al mejoramiento continuo de los procesos y al desarrollo tecnológico en el área de imágenes diagnósticas. Mon, 16 Feb 2026 00:00:00 GMT https://repository.unad.edu.co/handle/10596/78782 2026-02-16T00:00:00Z https://repository.unad.edu.co/handle/10596/78746 Title: Optimización inteligente de parámetros de adquisición mediante ia revisión documental de avances y tendencias Abstract: La optimización de los parámetros de adquisición en imagenología médica constituye un desafío técnico que impacta directamente la calidad diagnóstica y la seguridad del paciente. El presente estudio tuvo como objetivo analizar la evidencia científica reciente sobre la aplicación de la inteligencia artificial en la optimización automatizada de variables técnicas como kilovoltaje, miliamperaje y algoritmos de reconstrucción, así como su impacto en la reducción de la variabilidad operativa y la dosis radiológica. Se desarrolló una revisión documental de enfoque cualitativo con alcance descriptivo-analítico, mediante la búsqueda de artículos publicados en bases de datos científicas indexadas durante los últimos cinco años. Los resultados evidencian que los modelos basados en aprendizaje automático y aprendizaje profundo permiten ajustar dinámicamente los parámetros de adquisición, mejorar la calidad de imagen y reducir la exposición radiológica sin comprometer la precisión diagnóstica. No obstante, se identifican desafíos relacionados con validación clínica, infraestructura tecnológica y consideraciones éticas. Se concluye que la inteligencia artificial actúa como herramienta complementaria que fortalece la estandarización de protocolos radiológicos, contribuye a la seguridad del paciente y promueve la eficiencia en los servicios de imagenología médica. Fri, 13 Feb 2026 00:00:00 GMT https://repository.unad.edu.co/handle/10596/78746 2026-02-13T00:00:00Z