Gustavo Javier MESCHINO
Tesis y Trabajos Dirigidos

Este proyecto investiga la integración de indicadores de Variación del Diámetro Arterial (VDA), medidos en la arteria cubito radial, en la Historia Clínica Electrónica (HCE). El objetivo principal es mejorar el soporte al diagnóstico de enfermedades cardiovasculares, optimizando la calidad de los datos en la HCE y permitiendo una mejor clasificación y comparación de la información de los pacientes. Actualmente, la falta de herramientas que utilicen estas señales limita la evaluación cardiovascular eficiente.

La investigación propone un enfoque mixto (cuantitativo y cualitativo) para analizar registros de VDA, su correlación con la edad, y la percepción de los profesionales médicos sobre su utilidad clínica. Se espera que los resultados transformen la práctica clínica y mejoren los resultados para pacientes con patologías cardiovasculares, abordando un vacío existente en la literatura sobre la integración efectiva de estas señales en la HCE.

Este trabajo final se enfoca en construir un modelo de Inteligencia Artificial para identificar y rastrear vehículos en videos de cámaras de seguridad ciudadana con fines forenses. El modelo utiliza los algoritmos YOLO para la detección y Deep-Sort para la identificación y el seguimiento de los vehículos, incluso ante oclusiones o cambios de apariencia.

El proyecto explora las redes neuronales convolucionales (CNNs) y su aplicación en visión por computadora. Se implementarán modelos preentrenados y se entrenará un modelo propio utilizando Python y videos de cámaras de seguridad, con el objetivo de evaluar su rendimiento en entornos reales y proporcionar una base para futuras investigaciones en la detección automática de vehículos para la seguridad pública y forense.

• Desarrollar nuevos algoritmos de registración basados en inteligencia computacional.
• Mejora de algoritmos existentes y comparación de resultados.
• Proponer un método de registro automático basado en algoritmos evolutivos y de enjambres donde sea menor la intervención de un usuario experto.

• Una metodología formal completa para la extensión del uso de predicados difusos con LD tipo 2 de intervalos, a partir de la propuesta del concepto de medida de intervalos de valores de verdad, la cual habilita a la comparación de intervalos de valores de verdad, definiendo un orden.
• Un amplio conjunto de métodos de generación automática de sistemas difusos basados tanto en LD tipo 1 como en LD tipo 2 de intervalos; utilizando tanto enfoques supervisados: Type-1 Label-based Fuzzy Predicate Classification (T1-LFPC) y Type-2 Label-based Fuzzy Predicate Classification (T2-LFPC); como no supervisados: Type-1 Data-based Fuzzy Predicate Clustering (T1-DFPC), Type-1 SOM-based Fuzzy Predicate Clustering (T1-SFPC), Type-2 Data-based Fuzzy Predicate Clustering (T2-DFPC) y Type-2 SOM-based Fuzzy Predicate Clustering (T2-SFPC). Estos métodos, no sólo resuelven el problema de segmentación de imágenes, sino que potencialmente aportan conocimiento.
• Un método preliminar para la extracción de conocimiento a partir de los sistemas difusos generados mediante los métodos automáticos propuestos.
• Un análisis formal de la performance de métodos basados en LD tipo 2 de intervalos, realizando comparaciones con modelos análogos con LD tipo 1, tendientes a analizar las ventajas de LD tipo 2 de intervalos debido a su mayor capacidad para el manejo de imprecisión e incertidumbre.

El proyecto busca desarrollar un sistema automatizado que identifique, clasifique y cuantifique organismos de zooplancton a partir de imágenes de campañas oceanográficas, asistiendo a los especialistas del INIDEP para reducir el tiempo del análisis manual y mejorar la consistencia de los resultados. Para lograrlo, se emplean técnicas de visión por computadora y aprendizaje profundo, utilizando arquitecturas de redes neuronales convolucionales como ResNet, EfficientNet y DenseNet. A partir de un conjunto de datos provisto por la institución, el desarrollo aborda desafíos críticos como la variabilidad ede las imágenes, el desbalance de clases y la evaluación adecuadadel desempeño de los modelos. Además del entrenamiento de estos algoritmos, el proyecto contempla la implementación de una interfaz funcional que permita procesar grandes volúmenes de imágenes de forma automática, generando salidas organizadas y métricas relevantes. De este modo, se pretende aportar una solución tecnológica robusta que optimice el estudio del ecosistema marino y contribuya activamente a la toma de decisiones en el ámbito pesquero.

Este trabajo final de grado tiene dos objetivos:

• Optimización de una base de datos de registros de señales de Variación del Diámetro Arterial (VDA), con la información de sus pacientes y capacidad de anonimización para usarlos como base de estudios científicos.
• Un estudio de diferentes enfoques para estimar la edad arterial. Este avance es un nuevo paso en la integración de la inteligencia artificial en la medicina, especialmente en la salud cardiovascular.

Este proyecto final de grado consiste en el desarrollo de un sistema informático basado en redes neuronales artificiales para facilitar la identificación de especies marinas en las costas y arrecifes marplatenses. Actualmente, investigadores del Departamento de Biología de la UNMDP analizan manualmente videos para estudiar la evolución y controlar la fauna marina, una tarea ardua y demandante en tiempo.

El sistema propuesto utilizará redes neuronales convolucionales (CNN) para identificar automáticamente las especies en los videos. Registrará las especies presentes, la cantidad de apariciones y el grado de certeza, generando reportes automáticos. El objetivo general es desarrollar una herramienta de IA que reduzca el tiempo y esfuerzo del análisis manual actual. Se espera implementar un modelo de clasificación y un software de análisis automatizado de videos.

La ecografía pulmonar (LUS) es una herramienta diagnóstica no invasiva, portátil y en tiempo real, fundamental en la medicina crítica para evaluar patologías respiratorias, aunque su interpretación sigue limitada por la variabilidad interobservador y una marcada curva de aprendizaje. Para mitigar esto, el aprendizaje profundo (Deep Learning) y las redes neuronales convolucionales (CNN) surgen como alternativas potentes para el análisis automatizado de imágenes, optimizándose mediante Transfer Learning en bases de datos reducidas. En este contexto, este trabajo propone desarrollar y evaluar un sistema inteligente basado en redes profundas para la clasificación automática de patrones ecográficos, integrando modelos CNN, mejora de imágenes con Autoencoders y procesamiento de videos para aplicaciones en tiempo real. Así, se busca proveer una herramienta robusta que respalde la toma de decisiones clínicas sobre la aireación pulmonar, complementando la experiencia del profesional y transformando datos complejos en información objetiva para optimizar la atención del paciente.

Este proyecto final de grado de Ingeniería Biomédica automatiza la identificación de cambios morfológicos en adipocitos del tejido mamario tumoral, un factor clave en la progresión del cáncer de mama. Mediante el desarrollo de seis arquitecturas de redes neuronales convolucionales (CNN), las autoras demostraron que el aprendizaje por transferencia supera a los modelos básicos, logrando exactitudes superiores al 99%. El modelo V6, basado en AlexNet, resultó ser el más robusto con un error promedio de 1,03%.

La herramienta utiliza la técnica Grad-CAM para generar mapas de calor que validan las detecciones, complementándose con un algoritmo que integra la transformada de Hough y filtrado cromático para segmentar vacuolas pequeñas. Esta innovación reduce la subjetividad del análisis manual y potencia la investigación clínica sobre el microambiente tumoral.

Esta herramienta optimiza el diagnóstico patológico, permitiendo identificar biomarcadores visuales con alta precisión. Así, se facilita el desarrollo de terapias personalizadas dirigidas a frenar el avance del cáncer de mama mediante el control del entorno celular.

El proyecto tiene por objetivo integrar y optimizar el modelo de propagación epidemiológica de contactos de SARS-CoV-2 al Software de Vigilancia Epidemiológica de Contactos (VEC) del Instituto Nacional de Epidemiología "Dr. Juan H. Jara". Los estudiantes adecuarán su arquitectura, refinarán sus parámetros y validarán su operación en tres municipios bonaerenses, entregando un módulo de IA de alto rendimiento con documentación y herramientas para su uso institucional.

Este proyecto tiene como objetivo desarrollar una herramienta para asistir en la toma de decisiones efectivas mediante la visualización y organización de datos multivariable con Mapas Autoorganizados (SOM).

La solución consta de una aplicación web para ingreso de datos y visualización, y un servidor para procesamiento y entrenamiento hiperparametrizado de la red neuronal. El sistema entrena un SOM que se visualiza en un mapa bidimensional, permitiendo descubrir patrones y relaciones para el análisis exploratorio de datos.

Funcionalidades clave incluyen carga y filtrado de datos[cite: 56], configuración de entrenamiento, visualización interactiva de mapas (celdas hexagonales), mapas de componentes, clustering, y segmentación de imágenes. La herramienta busca ser intuitiva, abstrayendo al usuario de la complejidad algorítmica.

Este proyecto desarrolla "Puente", una plataforma de vinculación tecnológica para la Universidad Nacional de Mar del Plata. Su objetivo es centralizar ofertas tecnológicas de unidades académicas y conectarlas con el sector socioproductivo, optimizando la gestión de ofertas y demandas mediante un software único.

La plataforma busca agilizar vinculaciones usando Inteligencia Artificial para encontrar similitudes entre ofertas y demandas. Incluye gestión de ofertas/demandas, grupos de investigación, autorización de ofertas en dos niveles, y una "vitrina tecnológica". Además, gestiona líneas de financiamiento.

Un componente innovador es su sistema de matcheo basado en IA, que utiliza un modelo preentrenado de Sentence Transformers para comparar textos descriptivos. La plataforma está operativa en los servidores de la universidad.

En este trabajo final de grado se desarrolló un sistema computacional innovador, basado en Inteligencia Artificial, para analizar automáticamente videos de ecografías de pulmón. El sistema identifica patrones específicos que indican distintos estados pulmonares basados en el comportamiento y estado de la pleura y ofrece una interfaz intuitiva para interpretar los resultados mediante informes visuales y métricas claras.

El proyecto busca apoyar a especialistas en diagnóstico por imágenes y fomentar la investigación médica al permitir el análisis masivo de ecografías pulmonares. Se implementó una aplicación de escritorio local (React, Node.js, Electron) que invoca scripts de Python con modelos de aprendizaje profundo para clasificar cada frame del video, generando probabilidades de pertenencia a estados pulmonares definidos (Normal, B1, B2, Consolidación).

Este proyecto tiene dos partes fundamentales:

• Un sistema de almacenamiento estructurado de registros de señales de Variación del Diámetro Arterial (VDA), con la información de sus pacientes y capacidad de anonimización para usarlos como base de estudios científicos.
• Un enfoque innovador para estimar la edad arterial mediante Redes Neuronales Convolucionales (CNN). Estas redes, parte del aprendizaje profundo, analizan las señales de VDA de ciclos cardíacos. A diferencia de métodos tradicionales con análisis limitados, las CNN extraen características automática y precisamente, permitiendo un análisis más detallado de la VDA y la estimación de la edad arterial en una población más amplia sin intervención médica para recolectar datos. Se destaca la precisión y robustez del modelo propuesto como herramienta no invasiva para la evaluación continua del riesgo cardiovascular, con aplicaciones directas en la prevención y manejo de enfermedades cardiovasculares. Este avance es un paso significativo en la integración de la inteligencia artificial en la medicina, especialmente en la salud cardiovascular.

Este proyecto final aborda la segmentación y seguimiento del movimiento del globo ocular para la interacción persona-computadora, utilizando imágenes de baja resolución de una cámara web sin hardware específico.

Los objetivos principales son:

• Desarrollar un método robusto para segmentar el iris y/o pupila y así detectar la posición relativa del globo ocular.
• Implementar un algoritmo que identifique movimientos oculares (gestos) para traducirlos, por ejemplo, a movimientos de un cursor.
• Desarrollar y evaluar una interfaz para esta interacción.

Se propone un método que incluye la segmentación del iris/pupila mediante la Transformada de Hough para circunferencias, el uso de un objeto de referencia físico para independizarse de movimientos de cabeza y ajustar la detección, y una interfaz de calibración y seguimiento. Se busca una solución robusta, mínimamente invasiva y confortable para el usuario.

Este proyecto de Ingeniería Electrónica consistió en el desarrollo de un sistema de medición de bioimpedancia para tareas de investigación de la Facultad de Psicología de la UNMdP. La bioimpedancia se utiliza para estimar la composición corporal y detectar cambios en tejidos biológicos. El sistema está diseñado para obtener la variación temporal de la impedancia de la piel, registrando los datos mediante una interfaz gráfica.

El dispositivo inyecta una corriente alterna de baja intensidad (50 kHz) en el antebrazo, mide la tensión resultante y, mediante multiplicación y filtrado, obtiene el valor de bioimpedancia. Los datos se muestran en gráficos y se guardan en formato .csv. El prototipo final, construido con componentes discretos, demostró un error relativo máximo del 2,5% y cuenta con aislación eléctrica para seguridad del sujeto.

Este proyecto desarrolla una herramienta de soporte para la monitorización durante maniobras de reclutamiento pulmonar (MR), interpretando patrones ecográficos en videos de ultrasonido pulmonar (UP). Las MR buscan re-airear pulmones colapsados (atelectasia), una complicación frecuente en anestesia general.

Se propone procesar secuencias de video de UP con una red neuronal artificial de aprendizaje profundo, entrenada mediante transferencia de aprendizaje. Médicos especialistas etiquetaron imágenes de UP ("Normal", "Líneas B", "Consolidación") para el entrenamiento[cite: 10]. El sistema resultante proporciona, para cada imagen, probabilidades de pertenencia a las clases definidas y un análisis resumen del video, asistiendo en la interpretación de la dinámica de los patrones ecográficos.