Comparación de técnicas de segmentación en imágenes de conjuntiva palpebral para obtener región de interés en detección de anemia

• Autor: Rios Graus, Carlo Jair
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/14992
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14992
• Nivel de acceso: acceso abierto
• Materia: Segmentación de imágenes; Conjuntiva palpebral; Detección de anemia; U-Net; Contornos activos; https://purl.org/pe-repo/ocde/ford#2.02.04

El estudio evaluó el desempeño de cuatro técnicas de segmentación aplicadas a imágenes de la conjuntiva palpebral con el objetivo de detectar anemia: umbralización, K-means clustering, contornos activos y U-Net. Para ello, se utilizaron métricas cuantitativas ampliamente aceptadas en visión computacional: Dice Coefficient, IoU, Precisión y Recall. Cada una de estas métricas permitió analizar la capacidad de los algoritmos para identificar correctamente la región de interés (ROI) correspondiente a la conjuntiva. Los resultados evidencian que la umbralización, aunque sencilla y de bajo costo computacional, ofrece un rendimiento limitado (Dice: 0.68, IoU: 0.52), especialmente ante variaciones de iluminación y color. K-means presenta una mejora moderada (Dice: 0.74), siendo adecuado para segmentaciones basadas en diferencias cromáticas. Por su parte, los contornos activos destacan por su capacidad para adaptarse a formas irregulares y estructuras orgánicas, alcanzando un Dice de 0.82 y un alto recall (0.85), siendo especialmente útiles en bordes suaves como los de la conjuntiva. Finalmente, la técnica basada en redes neuronales convolucionales (U-Net) mostró el mejor desempeño general (Dice: 0.91, IoU: 0.85, Precisión: 0.92, Recall: 0.90). Esta arquitectura logró una segmentación precisa y robusta, incluso en presencia de variabilidad entre pacientes o condiciones de captura. En conjunto, estos resultados confirman que U-Net es la técnica más eficaz para la segmentación de la conjuntiva palpebral en entornos clínicos, recomendándose su implementación para tareas de diagnóstico automatizado de anemia.