Innovacion estudiantil, preservada y abierta para todos.

Desarrollo de un simulador de baja fidelidad del cuello uterino diseñado para el entrenamiento clínico orientado a la detección del cáncer cérvico-uterino. El proceso incluyó la digitalización anatómica mediante imágenes médicas, el modelado tridimensional en Autodesk Fusion, para su posterior fabricación física mediante impresión 3D en PLA, implementando recubrimientos de silicona para reproducir características táctiles realistas. Este desarrollo busca brindar una nueva herramienta para la adquisición de habilidades en la exploración ginecológica en estudiantes y personal en formación, permitiendo prácticas seguras y repetibles.

El análisis morfológico de leucocitos es una herramienta para el diagnóstico de enfermedades hematológicas como leucemias, infecciones y trastornos autoinmunes. Sin embargo, la segmentación manual de estas células en imágenes de frotis sanguíneo es un proceso lento, subjetivo y dependiente de la experiencia del especialista. Los avances en deep learning han permitido automatizar esta tarea mediante redes neuronales convolucionales. En este trabajo se comparan dos arquitecturas utilizadas para segmentación biomédica: U-Net++ y Attention U-Net, con el objetivo de determinar cuál ofrece un mejor desempeño en la segmentación automática de leucocitos.

La patología digital se ha visto revolucionada recientemente por los avances en inteligencia artificial, aprendizaje profundo y computación de alto rendimiento. Gracias a sus herramientas avanzadas, la patología digital puede mejorar y agilizar el proceso de diagnóstico, reducir los errores humanos y optimizar la elaboración de informes. Presentamos un modelo multimodal para la detección de anemia un marco de aprendizaje profundo de dos etapas para la segmentación y clasificación de imágenes de glóbulos rojos (GR).

Se desarrollaron tres arquitecturas de redes neuronales para la detección y segmentación automática de gliomas en imágenes de resonancia magnética cerebral: una implementación estándar de UNet entrenada desde cero, el frame-work nnU-Net v2, el cual se autoconfigura según las características del dataset, y una Attention U-net con encoder EfficientNetB4 para mejorar el rendimiento de la segmentación. Los modelos se entrenaron con el dataset BRISC2025 utilizando únicamente las imágenes T1 en plano axial de la clase gliomas. La comparación de resultados se realizó con Dice Score, Intersection over Union (IoU) y Distancia de Hausdorff (HD95). Las 3 redes presentaron un patrón similar de sobreajuste, indicando que el factor limitante fue nuestro volumen de imágenes de entrenamiento.

Ante el incremento del cáncer de piel y la subjetividad del diagnóstico visual clásico, este proyecto presenta un modelo de Deep Learning para la segmentación automatizada de lesiones cutáneas. Utilizando la arquitectura Attention U-Net e integrando la función de pérdida Monte Carlo Uncertainty-Aware Focal Loss (MC-UAFL), el sistema optimiza la delimitación de tumores. La innovación radica en que estima la incertidumbre espacial mediante Monte Carlo Dropout y aplica una penalización dinámica (Focal Loss), mitigando errores en bordes difusos. Se validó con el dataset ISIC 2018, demostrando una alta precisión diagnóstica.

Las estructuras metal-orgánicas, o MOFs por sus siglas en inglés, son compuestos constituidos por ligantes orgánicos y centros metálicos. Estas estructuras han demostrado potencial en varias áreas de aplicación debido a su gran área de superficie y la capacidad de atribuirle propiedades a la estructura misma, ya sean relacionadas a la carga de esta o a otros fenómenos físicos, dependiendo de los reactivos usados en su síntesis. Esta ultima propiedad tiene el potencial para ser usado en aplicaciones relacionadas a la remoción de herbicidas. El objetivo de este proyecto es sintetizar los MOFs basados en zinc como centro metálico y ácido tereftálico y aminotereftálico, caracterizar dichos MOFs, incorporarlos en membranas poliméricas de Polifenilsulfona y evaluar su rendimiento y propiedades al momento de filtrar contaminantes