Comparación de algoritmos de segmentación heurística de imágenes de angiografía coronaria utilizando técnicas no supervisadas

El presente trabajo aborda el problema de la segmentación no supervisada de vasos coronarios en imágenes de angiografía, un desafío debido al ruido, los artefactos y la complejidad de las estructuras vasculares. Se comparan dos enfoques de segmentación, W-Net y Segment Anything Model (SAM), y se propone un modelo híbrido que combina las capacidades especializadas de W-Net con la precisión de segmentación de SAM. La estrategia desarrollada utiliza un mapa generado por W-Net para guiar la selección de las segmentaciones producidas por SAM. Los resultados muestran que, aunque el modelo híbrido presenta una menor similitud con las pseudo-etiquetas de entrenamiento, genera segmentaciones visualmente más coherentes y anatómicamente más precisas, evidenciando su potencial para mejorar la segmentación no supervisada de imágenes de angiografía coronaria.

Grantor dc:publisher

Universidad del Rosario

Year dc:date

2026

Author dc:creator

• Ramírez Millán, Nicolás

• Segmentación No Supervisada
• Angiografia coronaria
• Deep learning
• W-Net
• Segment Anything Mode
• Unsupervised segmentation
• Coronary angiography
• Segment Anything Model

Statement dc:rights

• info:eu-repo/semantics/openAccess

Licence

• http://creativecommons.org/licenses/by-nc-nd/4.0/

Language dc:language

spa

Repository record dc:identifier

https://repository.urosario.edu.co/handle/10336/48082

OAI identifier oai:identifier

oai:repository.urosario.edu.co:10336/48082