Técnicas de visión computacional para el procesamiento automático de estructuras biológicas con morfología irregular: Una revisión sistemática

• Autor: Parra Nauca, Jack Stalin
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17001
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17001
• Nivel de acceso: acceso abierto
• Materia: Visión computacional; Morfología irregular; Aprendizaje profundo; Estructuras biológicas; Segmentación de imágenes; https://purl.org/pe-repo/ocde/ford#2.02.04

La creciente complejidad de las estructuras biológicas con morfología irregular plantea importantes desafíos para su análisis mediante visión computacional. Esta revisión sistemática tuvo como objetivo sintetizar técnicas datasets métricas y niveles de rendimiento reportados en estudios recientes que aplican métodos computacionales al procesamiento de estructuras biológicas irregulares. Se incluyeron 40 estudios seleccionados desde bases de datos científicas siguiendo los lineamientos PRISMA 2020. Los resultados evidencian un predominio de técnicas basadas en aprendizaje profundo principalmente redes neuronales convolucionales variantes U Net modelos de detección de la familia YOLO y arquitecturas híbridas CNN Transformer. Estas se aplican sobre imágenes RGB microscopía micro CT citología digital nubes de puntos tridimensionales y series temporales para tareas de clasificación segmentación detección reconstrucción y seguimiento. La mayoría de los estudios emplea datasets experimentales propios junto con benchmarks públicos y reporta métricas acordes a cada tarea como Accuracy Precision Recall F1 IoU Dice mAP y coeficiente de determinación con niveles de rendimiento generalmente elevados. La aplicación principal se concentra en plantas y agricultura, aunque también se identifican casos en medicina. En conclusión, las técnicas modernas de visión computacional ofrecen herramientas robustas y precisas para el análisis de estructuras biológicas complejas demostrando flexibilidad para procesar datos bidimensionales tridimensionales y temporales y respaldando su potencial en aplicaciones prácticas e investigaciones futuras en bioimagen y fenotipado automatizado.