BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.17.4.1//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20250101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20260924T150000
DTEND;TZID=America/Sao_Paulo:20260924T160000
DTSTAMP:20260922T131619Z
CREATED:20260922T131619Z
LAST-MODIFIED:20260922T131619Z
UID:10949-1790262000-1790265600@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Hugo Alberto Massaroli
DESCRIPTION:Título: Diagnóstico de Alzheimer mediante FDG-PET: prueba de generalización de modelos de aprendizaje profundo en una cohorte latinoamericana\nDirectores: Emmanuel Iarussi y Diego Fernández Slezak\nJurados: Luciana Bruno y Francisco Valentini \nResumen: Los modelos de aprendizaje profundo suelen presentar una disminución en su rendimiento al ser aplicados en conjuntos de datos distintos de los que se usaron en su entrenamiento. En el contexto de la clasificación de la enfermedad de Alzheimer mediante imágenes FDG-PET\, el desarrollo de estos modelos se ha concentrado en el uso de unos pocos conjuntos de datos públicos\, principalmente ADNI\, los cuales representan mayoritariamente a poblaciones norteamericanas. Como consecuencia\, son escasos los estudios que evalúan el desempeño de estas arquitecturas en cohortes de otras regiones geográficas. En este trabajo\, se utiliza un conjunto de datos de pacientes latinoamericanos\, proporcionado por el Instituto Fleni\, como conjunto de evaluación independiente para analizar la capacidad de generalización de estos modelos. Para ello\, se comparan dos arquitecturas: una basada en redes convolucionales y otra basada en transformers. Los resultados muestran que ambos modelos son capaces de generalizar a conjuntos no vistos\, aunque su desempeño depende de la configuración experimental y del grado de compatibilidad entre los datos de evaluación y los de entrenamiento. En la comparación realizada\, no se observaron diferencias sustanciales en el desempeño entre el enfoque puramente convolucional y el enfoque basado en transformers. \nPalabras clave: aprendizaje profundo\, enfermedad de Alzheimer\, FDG-PET\, transferencia de dominio\, capacidad de generalización\, redes convolucionales\, transformers.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-hugo-alberto-massaroli/
LOCATION:Sala 1604
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR