RT info:eu-repo/semantics/bachelorThesis
T1 Valoración clínica de la parálisis facial mediante aprendizaje profundo
A1 Hierro Diez, Alicia del
A2 Universidad de Valladolid. Facultad de Medicina
K1 Parálisis facial
K1 Parálisis facial
K1 Marcadores faciales
K1 Aprendizaje profundo
K1 3205.07 Neurología
AB La parálisis facial (PF) es una alteración neuromuscular provocada por una lesión del VII parcraneal, el nervio facial, que afecta el movimiento de los músculos del rostro, la secreción delágrimas y saliva, y el sentido del gusto. La evaluación del grado de afectación es esencial paraestablecer un tratamiento adecuado, y suele realizarse mediante escalas clínicas como HouseBrackman o Sunnybrook. No obstante, estas herramientas dependen de la interpretaciónsubjetiva del profesional, lo que puede ocasionar diagnósticos inconsistentes.En los últimos años, se han desarrollado herramientas automáticas basadas en inteligenciaartificial (IA) y aprendizaje profundo para realizar esta evaluación de forma más objetiva.Muchos de estos sistemas utilizan tecnología de reconocimiento facial en tres dimensiones(3D), implementada en dispositivos móviles como el iPhone a través de su sistema de cámarasTrueDepth. Esta tecnología permite analizar la asimetría facial con gran precisión y da comoresultado un porcentaje de afectación, como ocurre en la aplicación FacialPalsyZero. Sinembargo, estas aplicaciones presentan importantes limitaciones como el requerimiento de unhardware específico y la falta de traducción de resultados a escalas médicas estándar.Por ello, en este estudio se ha desarrollado un sistema de evaluación basado en aprendizajeprofundo que funcione con cámaras estándar presentes en la mayoría de los dispositivos. Parael desarrollo del sistema, se implementó una interfaz gráfica para la selección del vídeo y de losfragmentos del vídeo que se pretenden analizar. Tras esta selección se colocan de maneraautomática puntos anatómicos faciales mediante el modelo de MediaPipe y posteriormente secalculan distancias entre algunos de estos puntos que se cuantifican en forma de porcentajes.Estos porcentajes se compararon con valoraciones clínicas reales para establecer una relaciónentre los porcentajes y los grados de la escala de House-Brackmann. A partir de esta relación,se ajustó una ecuación que permite al sistema estimar el grado de severidad.Los resultados obtenidos mostraron que el modelo desarrollado permite la estimación delgrado de afectación según la escala House-Brackmann a partir de medidas de asimetríacalculadas en imágenes 2D. Para el entrenamiento del modelo se utilizaron las valoracionesconsensuadas de los especialistas para mejorar la coherencia de los diagnósticos y se obtuvoun error cuadrático medio (MSE) de 1.4587. Se comprobó que los casos en los que hay mayordiferencia entre la etiqueta real y la estimada coinciden con los vídeos en los que no secapturaron todas las acciones requeridas. Estos resultados destacan la utilidad del sistemacomo herramienta de apoyo para el diagnóstico siempre y cuando se siga el protocolo deadquisición de los vídeos. A pesar de que el sistema no ha podido ser validado en nuevospacientes debido a la escasez de datos, los resultados en esta fase inicial son prometedores ysientan una buena base para su futura aplicación clínica.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/79129
UL https://uvadoc.uva.es/handle/10324/79129
LA spa
DS UVaDOC
RD 30-oct-2025