Optimización de la segmentación de blastocistos mediante técnicas de ensemble de modelos de deep learning

Ferreras Pajarín, Javier
Villota Miranda, María (dir.) ; Ayensa Jiménez, Jacobo (dir.)

Montijano Muñoz, Eduardo (ponente)

Universidad de Zaragoza, EINA, 2025
Ingeniería Mecánica department, Mec. de Medios Contínuos y Teor. de Estructuras area

Graduado en Ingeniería Informática

Abstract: Este trabajo se centra en la segmentación automática de blastocistos a partir de imágenes de microscopio, un proceso de gran utilidad para la selección de blastocistos en los tratamientos de fecundación in vitro. Se desarrollan y comparan diferentes estrategias de ensemble learning para combinar las predicciones de varios modelos pre-entrenados de segmentación semántica (DeepLab, HRNet, U-Net y RDU-Net), con el objetivo de mejorar la precisión y robustez de la segmentación de las tres principales estructuras del blastocisto: la Zona Pelúcida (ZP), el Trofoectodermo (TE) y la Masa Celular Interna (MCI). Las estrategias desarrolladas incluyen técnicas no supervisadas basadas en operaciones sobre las máscaras (post-procesamiento, OR, AND, voto mayoritario) y las probabilidades de salida (softmax, max, suma ponderada), así como enfoques supervisados (Regresión Logística, Perceptrón Multicapa y Random Forest). Estas estrategias se han evaluado en dos conjuntos de datos distintos, y destaca el rendimiento de uno de los perceptrones multicapa, que alcanza el mejor equilibrio entre precisión y recall, con buena generalización. Estos resultados se han comparado con los del estado del arte, obteniéndose las mejores métricas para la segmentación de la ZP, el segundo puesto para el TE y el tercero para la MCI. Además, se ha creado un repositorio público (https://github.com/816410unizar/Blastocyst-Seg-Ensemble) que incluye el código, las métricas y los mejores modelos entrenados, con el fin de fomentar la reproducibilidad y extensión del trabajo.

Tipo de Trabajo Académico: Trabajo Fin de Grado