Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12104/112483Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.contributor.author | Lopez Rios, Erick Eduardo | |
| dc.date.accessioned | 2026-04-13T17:57:50Z | - |
| dc.date.available | 2026-04-13T17:57:50Z | - |
| dc.date.issued | 2025-12-10 | |
| dc.identifier.uri | https://wdg.biblio.udg.mx | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12104/112483 | - |
| dc.description.abstract | El modelado computacional de la progresión de enfermedades neurodegenerativas enfrenta el desafío de capturar dinámicas espaciotemporales complejas a partir de datos longitudinales heterogéneos. Los enfoques actuales a menudo simplifican estas dinámicas asumiendo trayectorias lineales o carecen de la capacidad para generar simulaciones prospectivas personalizadas. Esta tesis propone un marco generativo unificado para simular y cuantificar la atrofia cerebral en la Enfermedad de Alzheimer y la Enfermedad de Parkinson, integrando aprendizaje profundo y morfometría basada en deformación. La metodología se articula en tres contribuciones principales. Primero, se desarrolló una arquitectura híbrida que desacopla la representación espacial de la dinámica temporal, utilizando un Autocodificador Variacional para aprender un espacio latente de anatomías plausibles y un Transformer para modelar las trayectorias de progresión no lineales. Segundo, para validar la plausibilidad biológica de las simulaciones más allá de la similitud visual, se propuso un biomarcador de deformación longitudinal armonizado, basado en el determinante Jacobiano y estandarizado mediante técnicas libres de efectos de sitio (ComBat). Tercero, se abordó el problema de la escasez de datos en estadios prodrómicos mediante una estrategia de transferencia de aprendizaje con adaptación de Bajo Rango, permitiendo expandir el modelo a clases intermedias (Deterioro Cognitivo Leve y Parkinson Prodrómico) sin incurrir en olvido catastrófico. Los resultados demuestran que el modelo VAE-Transformer supera a los enfoques lineales y recurrentes en la predicción de estados anatómicos futuros, logrando una mayor fidelidad anatómica medida por el coeficiente de Dice en regiones clave como el hipocampo. La validación cruzada con el biomarcador de deformación confirmó que las simulaciones capturan patrones de atrofia consistentes con la biología de la enfermedad. Además, la adaptación normativa validó la hipótesis de una jerarquía nosológica en el espacio latente. Este trabajo establece un marco robusto para la generación de imágenes predictivas, con aplicaciones potenciales en el enriquecimiento de ensayos clínicos y la medicina de precisión. | |
| dc.description.tableofcontents | Índice general Resumen 7 Abstract 9 Índice de figuras 19 Índice de tablas 21 1 Introducción 1 1.1 Planteamiento del Problema y Justificación . . . . . . . . . . . . . . 2 1.2 Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3.1 Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . 3 1.4 Estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2 Marco Teórico y Antecedentes 6 2.1 La Neurodegeneración como Proceso Medible . . . . . . . . . . . . . 6 2.1.1 La Atrofia Cerebral como Correlato de la Progresión Clínica . 6 2.1.2 La Resonancia Magnética Estructural . . . . . . . . . . . . . 10 2.2 Modelado Longitudinal en Neuroimagen . . . . . . . . . . . . . . . . 12 2.2.1 De Comparaciones Discretas a Trayectorias Continuas . . . . 13 2.2.2 Enfoques Clásicos y sus Limitaciones . . . . . . . . . . . . . 14 2.3 Fundamentos de los Modelos Generativos para Datos Secuenciales . . 16 2.3.1 Espacio Latente . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.3.2 Autocodificadores Variacionales . . . . . . . . . . . . . . . . 20 2.3.3 Mecanismos de Atención y Transformers . . . . . . . . . . . 21 2.3.4 Transferencia de Aprendizaje y Adaptación de Dominio en Modelos Generativos . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4 Posicionamiento de la Tesis . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1 Hibridación VAE- Transformer . . . . . . . . . . . . . . . . . 25 2.4.2 Frontera de Investigación . . . . . . . . . . . . . . . . . . . . 26 3 Datos y Preprocesamiento 28 3.1 Criterios de Selección y Adquisición . . . . . . . . . . . . . . . . . . 28 3.2 Descripción de las Bases de Datos . . . . . . . . . . . . . . . . . . . 29 3.2.1 Alzheimer’s Disease Neuroimaging Initiative . . . . . . . . . 29 3.2.2 Open Access Series of Imaging Studies . . . . . . . . . . . . 29 3.2.3 Parkinson’s Progression Markers Initiative . . . . . . . . . . 29 3.2.4 Composición de la Cohorte Final . . . . . . . . . . . . . . . 30 3.3 Flujo de Preprocesamiento . . . . . . . . . . . . . . . . . . . . . . . 31 4 Autocodificadores Variacionales con Transformer post -latente 36 4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.1.1 Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.1.2 Trabajos Relacionados . . . . . . . . . . . . . . . . . . . . . 36 4.1.3 Contribución . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2 Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2.1 Arquitectura Híbrida VAE- Transformer . . . . . . . . . . . . 39 4.2.2 Estrategia de Entrenamiento . . . . . . . . . . . . . . . . . . 42 13 4.3 Diseño Experimental y Métricas de Evaluación . . . . . . . . . . . . 45 4.3.1 Modelos de Referencia . . . . . . . . . . . . . . . . . . . . . 45 4.3.2 Métricas de Calidad de Reconstrucción . . . . . . . . . . . . 45 4.3.3 Métricas de Precisión Anatómica en la Predicción a Futuro . . 46 4.3.4 Análisis Estadístico . . . . . . . . . . . . . . . . . . . . . . . 47 4.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.4.1 Calidad de Reconstrucción y Estructura del Espacio Latente . 47 4.4.2 Rendimiento Anatómico en la Predicción de Escaneos Futuros 48 4.4.3 Visualización de Simulaciones de Progresión Específicas de Enfermedad . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.5 Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.5.1 Superioridad del Transformer para Transiciones No Lineales . 51 4.5.2 Interpretación del Espacio Latente Estructurado . . . . . . . . 51 4.5.3 Limitaciones del Modelo Base . . . . . . . . . . . . . . . . . 51 4.6 Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5 Biomarcadores de Deformación Longitudinales 53 5.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.1.1 Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.1.2 Trabajos Relacionados . . . . . . . . . . . . . . . . . . . . . 54 5.1.3 Contribución . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5.2 Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.2.1 Registro No Lineal Intra-Sujeto . . . . . . . . . . . . . . . . 56 5.2.2 Extracción y Características del Campo de Deformación . . . 57 5.2.3 Cuantificación de la Deformación Local . . . . . . . . . . . . 57 5.2.4 Derivación de los Índices de Deformación . . . . . . . . . . . 57 5.2.5 Implementación y Control de Calidad . . . . . . . . . . . . . 59 5.3 Diseño Experimental y Métricas de Evaluación . . . . . . . . . . . . 61 14 5.3.1 Biomarcador de Referencia . . . . . . . . . . . . . . . . . . . 61 5.3.2 Experimentos de Validación . . . . . . . . . . . . . . . . . . 61 5.3.3 Análisis Regional mediante Modelos de Efectos Mixtos . . . 61 5.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 5.4.1 Comparativa de Sensibilidad . . . . . . . . . . . . . . . . . . 62 5.4.2 Consistencia Ordinal y Análisis Regional . . . . . . . . . . . 63 5.4.3 Comparación Frente a Índices Clínicos . . . . . . . . . . . . 64 5.5 Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 5.5.1 Interpretación de Hallazgos . . . . . . . . . . . . . . . . . . 65 5.5.2 Ventajas y Limitaciones del Biomarcador . . . . . . . . . . . 66 5.5.3 Implicaciones Clínicas . . . . . . . . . . . . . . . . . . . . . 67 5.6 Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 6 Adaptación Normativa y Transferencia de Conocimiento para la Expansión de Clases 69 6.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 6.1.1 Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 6.1.2 Trabajos Relacionados . . . . . . . . . . . . . . . . . . . . . 70 6.1.3 Contribución . . . . . . . . . . . . . . . . . . . . . . . . . . 71 6.2 Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 6.2.1 Arquitectura del Modelo Adaptado . . . . . . . . . . . . . . . 72 6.2.2 Estrategia de Entrenamiento . . . . . . . . . . . . . . . . . . 74 6.2.3 Diseño Experimental de Evaluación . . . . . . . . . . . . . . 75 6.2.4 Métricas de Evaluación . . . . . . . . . . . . . . . . . . . . . 75 6.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 6.3.1 Validación de la Adaptación Normativa . . . . . . . . . . . . 76 6.3.2 Rendimiento de la Adaptación . . . . . . . . . . . . . . . . . 77 6.3.3 Visualización de Simulaciones de Progresión Prodrómica . . . 78 15 6.4 Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 6.4.1 Validación de la Hipótesis Nosológica . . . . . . . . . . . . . 81 6.4.2 Eficiencia de LoRA para la Adaptación Generativa . . . . . . 81 6.4.3 Plausibilidad de las Simulaciones Prodrómicas . . . . . . . . 81 6.4.4 Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 82 6.5 Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 7 Discusión General e Integración 83 7.1 Integración y Validación Cuantitativa del Marco Generativo . . . . . 83 7.1.1 Validación de las Simulaciones Base con el Biomarcador IDE 83 7.1.2 Síntesis del Continuo de la Enfermedad: Validación Integral . 84 7.2 Discusión Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 7.2.1 Validación de la Hipótesis Nosológica en el Espectro Completo 84 7.2.2 Posicionamiento Frente al Estado del Arte . . . . . . . . . . . 85 8 Conclusiones y Trabajo Futuro 88 8.1 Resumen de Contribuciones . . . . . . . . . . . . . . . . . . . . . . 88 8.1.1 Contribuciones Teóricas . . . . . . . . . . . . . . . . . . . . 88 8.1.2 Contribuciones al Sistema . . . . . . . . . . . . . . . . . . . 89 8.1.3 Contribuciones Experimentales . . . . . . . . . . . . . . . . 89 8.2 Principales Hallazgos y Perspectivas . . . . . . . . . . . . . . . . . . 90 8.2.1 Información de Rendimiento . . . . . . . . . . . . . . . . . . 90 8.2.2 Información de Escalabilidad . . . . . . . . . . . . . . . . . 90 8.2.3 Perspectivas Prácticas . . . . . . . . . . . . . . . . . . . . . 91 8.3 Impacto e Implicaciones . . . . . . . . . . . . . . . . . . . . . . . . 91 8.3.1 Impacto Académico . . . . . . . . . . . . . . . . . . . . . . 91 8.3.2 Impacto Industrial . . . . . . . . . . . . . . . . . . . . . . . 92 8.3.3 Impacto Social . . . . . . . . . . . . . . . . . . . . . . . . . 92 16 8.4 Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 8.4.1 Limitaciones Técnicas . . . . . . . . . . . . . . . . . . . . . 92 8.4.2 Limitaciones Metodológicas . . . . . . . . . . . . . . . . . . 93 8.4.3 Lecciones Aprendidas . . . . . . . . . . . . . . . . . . . . . 93 8.5 Trabajo Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 8.5.1 Orientaciones de Investigación a Medio Plazo . . . . . . . . . 94 8.5.2 Visión de Investigación a Largo Plazo . . . . . . . . . . . . . 95 8.5.3 Oportunidades Emergentes . . . . . . . . . . . . . . . . . . . 96 8.6 Observaciones Finales . . . . . . . . . . . . . . . . . . . . . . . . . 96 Apéndice A Configuración Experimental y Reproducibilidad 97 A.1 Configuración Computacional y Software . . . . . . . . . . . . . . . 97 A.1.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 A.1.2 Entorno de Software . . . . . . . . . . . . . . . . . . . . . . 98 A.2 Hiperparámetros del Modelo Base (Cap. 4) . . . . . . . . . . . . . . 98 A.2.1 Autocodificador Variacional . . . . . . . . . . . . . . . . . . 98 A.2.2 Estrategia de Entrenamiento y Funciones de Retroalimentación 99 A.2.3 Módulos Temporales . . . . . . . . . . . . . . . . . . . . . . 99 A.3 Hiperparámetros de Adaptación LoRA (Cap. 6) . . . . . . . . . . . . 100 Apéndice B Resultados Complementarios 101 B.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 B.2 Complementos al Capítulo 4: Modelo Generativo Base . . . . . . . . 101 B.2.1 Desglose de la Precisión de Predicción Anatómica . . . . . . 101 B.3 Complementos al Capítulo 5: Biomarcador de Deformación IDE . . . 102 B.3.1 Resultados Completos del Análisis Regional (LME) . . . . . 102 B.4 Complementos al Capítulo 6: Expansión de Clases con LoRA . . . . 104 B.4.1 Matriz de Confusión del Clasificador de 5 Clases . . . . . . . 104 B.4.2 Desglose por Clase del Olvido Catastrófico . . . . . . . . . . 104 B.4.3 Desglose de Métricas de Calidad . . . . . . . . . . . . . . . . 105 B.5 Complementos al Capítulo 7: Validación de Integración . . . . . . . . 106 B.5.1 Pruebas de Equivalencia Estadística (Real vs. Simulado) . . . 106 Referencias 108 Índice de figuras 2.1 Patrones topográficos de atrofia cerebral . . . . . . . . . . . . . . . 7 2.2 Cascada de acontecimientos durante el curso de la EA . . . . . . . . 9 2.3 Cascada de acontecimientos durante el curso de la EP . . . . . . . . 9 2.4 Corte axial T1w: imagen anatómica y mapa de intensidades . . . . . 11 2.5 Estimación volumétrica por IRM . . . . . . . . . . . . . . . . . . . 12 2.6 Aplicación de LME a datos longitudinales . . . . . . . . . . . . . . 16 2.7 Visualización de la hipótesis del colector . . . . . . . . . . . . . . . 19 2.8 Arquitectura tradicional del VAE . . . . . . . . . . . . . . . . . . . 20 2.9 Diagrama original de la arquitectura Transformer . . . . . . . . . . 23 2.10 Adaptación de dominio: fuente contra objetivo . . . . . . . . . . . . 24 3.1 Muestras representativas de IRM T1w para cada cohorte . . . . . . 30 3.2 Diagrama del marco de preprocesamiento de imágenes . . . . . . . 31 3.3 Visualización del resultado de la extracción del cerebro . . . . . . . 32 3.4 Comparación del efecto de la corrección de campo de sesgo N4 . . . 33 3.5 Comparación de la distribución de vóxeles tras armonización de datos 34 4.1 Estructura interna de las capas del codificador del Transformer . . . 40 4.2 Diagrama de la arquitectura propuesta VAE- Transformer . . . . . . 42 4.3 Visualización del espacio latente z . . . . . . . . . . . . . . . . . . 48 4.4 Ejemplos representativos de simulación de trayectorias a 3 años . . 50 4.5 Simulaciones a 3 años centradas en el hipocampo . . . . . . . . . . 50 5.1 Visualización del atlas Harvard-Oxford . . . . . . . . . . . . . . . 59 5.2 Diagrama de flujo del procedimiento del biomarcador . . . . . . . . 59 5.3 Cálculo del Jacobiano a partir del campo de deformación . . . . . . 60 5.4 Comparación de distribuciones entre índices de deformación . . . . 62 5.5 Inferencia regional de las 10 regiones con mayor efecto al evaluar la deformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 5.6 Efecto de las principales regiones para el cálculo del índice de deformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 5.7 Correlación del índice de deformación con índices clínicos . . . . . 66 6.1 Arquitectura VAE- Transformer adaptada con módulos LoRA . . . . 73 6.2 Esquema conceptual de LoRA aplicado a las proyecciones del Transformer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 6.3 Visualización del espacio latente z a las clases adaptadas . . . . . . 77 6.4 Ejemplos representativos de simulación de trayectorias a 3 años posterior a la adaptación normativa . . . . . . . . . . . . . . . . . . . . 79 6.5 Distribución de las tasas de deformación simuladas por el modelo adaptado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 7.1 Comparación de las distribuciones del biomarcador de deformación 84 7.2 Comparación del biomarcador de deformación entre datos reales y simulados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 B.1 Matriz de confusión normalizada para el clasificador de 5 clases . . 105 Índice de tablas 2.1 Tasa porcentual de atrofia cerebral . . . . . . . . . . . . . . . . . . 10 3.1 Composición demográfica de la cohorte de estudio final . . . . . . . 30 4.1 Métricas de calidad de reconstrucción para los modelos utilizados . 48 4.2 Métricas anatómicas en máscaras segmentadas en los modelos utilizados 49 5.1 Comparación de deformación a nivel de sujetos . . . . . . . . . . . 63 5.2 Comparación de deformación a nivel de pares . . . . . . . . . . . . 63 6.1 Resultados del clasificador entrenado sobre representaciones latentes estáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 6.2 Comparación entre grupos clínicos y controles en el espacio latente z 78 6.3 Rendimiento en clasificación multiclase . . . . . . . . . . . . . . . 79 6.4 Evaluación de interferencia secuencial sobre clases base . . . . . . 79 6.5 Métricas anatómicas en máscaras segmentadas despúes de la adaptación normativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 A.1 Entorno de software y bibliotecas utilizadas . . . . . . . . . . . . . 98 A.2 Hiperparámetros óptimos del VAE . . . . . . . . . . . . . . . . . . 99 A.3 Hiperparámetros óptimos de los módulos temporales . . . . . . . . 99 A.4 Hiperparámetros óptimos de la adaptación LoRA . . . . . . . . . . 100 B.1 Rendimiento de predicción a futuro por región anatómica . . . . . . 102 B.2 Resultados completos del LME en el análisis regional del índice de deformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 B.3 Resultados por clase de la evaluación del olvido catastrófico . . . . 105 B.4 Desglose por condición y nivel de las métricas de calidad de reconstrucción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 B.5 Pruebas de significancia para la equivalencia de distribuciones del índice de deformación . . . . . . . . . . . . . . . . . . . . . . . . . . 107 | |
| dc.format | application/PDF | |
| dc.language.iso | spa | |
| dc.publisher | Biblioteca Digital wdg.biblio | |
| dc.publisher | Universidad de Guadalajara | |
| dc.rights.uri | https://www.riudg.udg.mx/info/politicas.jsp | |
| dc.subject | Neuroimagen Longitudinal | |
| dc.subject | Modelos Generativos Profundos | |
| dc.subject | Modelado De La Progresion De La Enfermedad | |
| dc.subject | Morfometria Basada En Deformacion | |
| dc.subject | Transferencia De Aprendizaje | |
| dc.subject | Modelos Sensibles Al Sitio. | |
| dc.title | Modelado espacio-temporal de la progresión neurodegenerativa mediante aprendizaje profundo en neuroimagen | |
| dc.type | Tesis de Maestría | |
| dc.rights.holder | Universidad de Guadalajara | |
| dc.rights.holder | Lopez Rios, Erick Eduardo | |
| dc.coverage | GUADALAJARA, JALISCO | |
| dc.type.conacyt | masterThesis | |
| dc.degree.name | MAESTRIA EN CIENCIAS EN BIOINGENIERIA Y COMPUTO INTELIGENTE | |
| dc.degree.department | CUCEI | |
| dc.degree.grantor | Universidad de Guadalajara | |
| dc.rights.access | openAccess | |
| dc.degree.creator | MAESTRIA EN CIENCIAS EN BIOINGENIERO EN Y COMPUTO INTELIGENTE | |
| dc.contributor.director | Alvarez Padilla, Francisco Javier | |
| dc.contributor.codirector | Mireles Ramirez, Mario Alberto | |
| Aparece en las colecciones: | CUCEI | |
Ficheros en este ítem:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| MCUCEI11274FT.pdf | 13.6 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.