{"id":{"repo_id":"chile","oai_identifier":"oai:repositorio.uchile.cl:2250/203520"},"canonical_url":"https://search.dev.ndltd.org/etd/chile/oai:repositorio.uchile.cl:2250/203520","repository":{"repo_id":"chile","name":"Universidad de Chile","base_url":"https://repositorio.uchile.cl/oai/request"},"display":{"title":"Reconocimiento de craneofaringiomas y detección de compromiso hipotalámico en imágenes de resonancia magnética utilizando aprendizaje auto-supervisado","abstract":"Este trabajo se centra en el uso de técnicas de aprendizaje profundo en el marco de algoritmos de aprendizaje auto-supervisado para generar redes neuronales que codifiquen información proveniente de imágenes de resonancias magnéticas cerebrales. En particular, se describen métodos para generar representaciones abstractas de características de dichas fuentes de datos, esto sin el uso de etiquetas, logrando utilizar distintos tipos de información imagenológica médica disponible y sin clasificar durante el proceso de entrenamiento y aprendizaje. La calidad de dichas representaciones es evaluada en términos de métricas, tales como el F1-Score o el Recall, obtenido en la resolución de tareas radiológicas de reconocimiento de tumores, particularmente de craneofaringiomas, y detección de compromiso hipotalámico, utilizando como punto de partida codificadores preentrenados con aprendizaje auto-supervisado, y bases de datos etiquetadas para las tareas a resolver respectivamente. Así, se exploran y comparan distintas metodologías de ajuste fino de parámetros para dichos codificadores una vez que se emplean para la resolución de tareas particulares","abstract_html":"Este trabajo se centra en el uso de técnicas de aprendizaje profundo en el marco de algoritmos de aprendizaje auto-supervisado para generar redes neuronales que codifiquen información proveniente de imágenes de resonancias magnéticas cerebrales. En particular, se describen métodos para generar representaciones abstractas de características de dichas fuentes de datos, esto sin el uso de etiquetas, logrando utilizar distintos tipos de información imagenológica médica disponible y sin clasificar durante el proceso de entrenamiento y aprendizaje. La calidad de dichas representaciones es evaluada en términos de métricas, tales como el F1-Score o el Recall, obtenido en la resolución de tareas radiológicas de reconocimiento de tumores, particularmente de craneofaringiomas, y detección de compromiso hipotalámico, utilizando como punto de partida codificadores preentrenados con aprendizaje auto-supervisado, y bases de datos etiquetadas para las tareas a resolver respectivamente. Así, se exploran y comparan distintas metodologías de ajuste fino de parámetros para dichos codificadores una vez que se emplean para la resolución de tareas particulares","abstract_has_math":false,"creators":["Castiglioni Cornejo, Giovanni Antonio"],"institution":"Universidad de Chile","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Estévez Valencia, Pablo"],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-07-27T19:10:10Z","subjects":[],"languages":["es"],"rights":["Attribution-NonCommercial-NoDerivs 3.0 United States"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/3.0/us/"],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["10.58011/wjbr-ks84"],"render_values":[{"text":"10.58011/wjbr-ks84","href":"https://doi.org/10.58011/wjbr-ks84","code":true}]}]},"links":{"outbound_url":"https://repositorio.uchile.cl/handle/2250/203520","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Estévez Valencia, Pablo"]},{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Prieto Vásquez, Claudia","Pérez Flores, Claudio"]},{"key":"dc:creator","label":"Author","values":["Castiglioni Cornejo, Giovanni Antonio"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-03-12T19:20:35Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-03-12T19:20:35Z"]},{"key":"dc:date.issued","label":"Date","values":["2024"]},{"key":"dc:publisher","label":"Institution","values":["Universidad de Chile"]},{"key":"dc:type","label":"Dc Type","values":["Tesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["es"]},{"key":"dc:rights","label":"Dc Rights","values":["Attribution-NonCommercial-NoDerivs 3.0 United States"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/3.0/us/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["10.58011/wjbr-ks84"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.uchile.cl/handle/2250/203520"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Este trabajo se centra en el uso de técnicas de aprendizaje profundo en el marco de algoritmos de aprendizaje auto-supervisado para generar redes neuronales que codifiquen información proveniente de imágenes de resonancias magnéticas cerebrales. En particular, se describen métodos para generar representaciones abstractas de características de dichas fuentes de datos, esto sin el uso de etiquetas, logrando utilizar distintos tipos de información imagenológica médica disponible y sin clasificar durante el proceso de entrenamiento y aprendizaje. La calidad de dichas representaciones es evaluada en términos de métricas, tales como el F1-Score o el Recall, obtenido en la resolución de tareas radiológicas de reconocimiento de tumores, particularmente de craneofaringiomas, y detección de compromiso hipotalámico, utilizando como punto de partida codificadores preentrenados con aprendizaje auto-supervisado, y bases de datos etiquetadas para las tareas a resolver respectivamente. Así, se exploran y comparan distintas metodologías de ajuste fino de parámetros para dichos codificadores una vez que se emplean para la resolución de tareas particulares"]},{"key":"dc:title","label":"Title","values":["Reconocimiento de craneofaringiomas y detección de compromiso hipotalámico en imágenes de resonancia magnética utilizando aprendizaje auto-supervisado"]}]}],"canonical_facts":{"dc:contributor.advisor":["Estévez Valencia, Pablo"],"dc:contributor.other":["Prieto Vásquez, Claudia","Pérez Flores, Claudio"],"dc:creator":["Castiglioni Cornejo, Giovanni Antonio"],"dc:date.accessioned":["2025-03-12T19:20:35Z"],"dc:date.available":["2025-03-12T19:20:35Z"],"dc:date.issued":["2024"],"dc:description.abstract":["Este trabajo se centra en el uso de técnicas de aprendizaje profundo en el marco de algoritmos de aprendizaje auto-supervisado para generar redes neuronales que codifiquen información proveniente de imágenes de resonancias magnéticas cerebrales. En particular, se describen métodos para generar representaciones abstractas de características de dichas fuentes de datos, esto sin el uso de etiquetas, logrando utilizar distintos tipos de información imagenológica médica disponible y sin clasificar durante el proceso de entrenamiento y aprendizaje. La calidad de dichas representaciones es evaluada en términos de métricas, tales como el F1-Score o el Recall, obtenido en la resolución de tareas radiológicas de reconocimiento de tumores, particularmente de craneofaringiomas, y detección de compromiso hipotalámico, utilizando como punto de partida codificadores preentrenados con aprendizaje auto-supervisado, y bases de datos etiquetadas para las tareas a resolver respectivamente. Así, se exploran y comparan distintas metodologías de ajuste fino de parámetros para dichos codificadores una vez que se emplean para la resolución de tareas particulares"],"dc:identifier.other":["10.58011/wjbr-ks84"],"dc:identifier.uri":["https://repositorio.uchile.cl/handle/2250/203520"],"dc:language.iso":["es"],"dc:publisher":["Universidad de Chile"],"dc:rights":["Attribution-NonCommercial-NoDerivs 3.0 United States"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/3.0/us/"],"dc:title":["Reconocimiento de craneofaringiomas y detección de compromiso hipotalámico en imágenes de resonancia magnética utilizando aprendizaje auto-supervisado"],"dc:type":["Tesis"]},"updated_at":"2026-07-27T19:10:10Z"}