Skip links

Computer Vision

& Behaviour Analysis Lab

Aplicamos la inteligencia artificial en campos muy diversos

# healthcarehuman behaviourindustry 5.0quantum computingsmartfarming

Contáctanos
Seleccionados

Proyectos CVBLab

Modelos predictivos a partir de imagen y vídeo #computerVisiona partir de señal y series temporales #timeSeriesForecastinga partir de texto #naturalLanguageProcessingbasados en la interacción entorno-agente #reinforcementLearning

DISRUPT

DISRUPT

Microscopía tomográfica en chip: Un cambio de paradigma para revolucionar la tecnología de bioimagen LAB-ON-A-CHIP

DISRUPT tiene como objetivo revolucionar la imagen biomédica mediante el desarrollo de una tecnología pionera: la microscopía tomográfica integrada. Esta innovadora técnica combina tomografía y fotónica inalámbrica en chip, junto con microfluídica e inteligencia artificial (IA).

El proyecto busca aprovechar la compatibilidad CMOS para crear microscopios tomográficos más asequibles y compactos. Se pretende demostrar su potencial en aplicaciones como la detección del cáncer y la identificación de células infectadas, aprovechando ventajas clave en resolución, sensibilidad, rendimiento y eficiencia energética.

El fundamento de DISRUPT se cimenta en la compatibilidad CMOS, un cambio de paradigma que permitirá desarrollar microscopios tomográficos más accesibles, ligeros y compactos en comparación con las soluciones actuales. Este enfoque innovador no solo representa una mejora tecnológica, sino que también tiene el potencial de transformar la accesibilidad y la viabilidad económica de la imagen biomédica avanzada.

El dispositivo propuesto por DISRUPT no solo aspira a ser una innovación tecnológica, sino que también se proyecta como una solución tangible para diversas aplicaciones biomédicas. Desde el diagnóstico temprano del cáncer hasta la caracterización celular, la investigación sobre el cáncer y las enfermedades infecciosas, el fenotipado de inmunocitos, la identificación de la multipotencia de células madre, la patología tisular, la hematopatología y el análisis de células infectadas, el abanico de posibilidades es amplio y prometedor.

Las características intrínsecas de esta tecnología, como su capacidad para la producción en masa, su compacidad, bajo costo, robustez mecánica y eficiencia energética, la posicionan como un motor de innovación para futuros desarrollos en múltiples campos de aplicación biomédica. Además, se vislumbra como una herramienta alternativa valiosa que aborda las necesidades emergentes de análisis y diagnóstico microscópico en entornos de bajos recursos, aplicaciones de telemedicina y puntos de atención. Este enfoque, con un impacto social potencialmente enorme, tiene el potencial de fomentar el diagnóstico precoz del cáncer y otras enfermedades e infecciones, transformando la prestación de atención médica y democratizando el acceso a tecnologías avanzadas en el ámbito biomédico.

Entidad financiadora

Comisión de las Comunidades Europeas

Años

2023-2025

Share

Socios

DICOMO

DICOMO

DICOMO

In this project we intend to develop computer vision algorithms for the evaluation of the progression of the treatment of Idiopathic Scoliosis in its different stages.

Idiopathic Scoliosis is a pathology of undefined cause that produces an abnormal development in the curvature of the spine. This pathology mainly affects young adolescents, with a prevalence of up to 5.2% of the population. Its main treatment is the use of a corrective corset. If this does not work, the patient is treated by surgery to fix the curvature of the spine.

Currently, the follow-up of corset and surgical treatment is done by torso X-rays and manual analysis of spinal markers by expert surgeons. This includes known inter-expert variability, and the markers used are not yet sufficiently robust to assess disease progression. Furthermore, the need for successive X-rays carries risks of excessive radiation in young patients. For this reason, DICOMO was born as a project whose main objective is to develop tools based on artificial intelligence capable of supporting expert surgeons in this task. Specifically, it seeks to reduce variability and workload by obtaining markers such as Cobb angles automatically, and tries to find novel early markers of success in treatment by corset and surgery.

 

Entidad Financiadora

PIDI-CV — I+D PIME-IVACE ( IMIDTA/2020/54)

Años

2021

Share

Socios

GIGAVISIÓN

GIGAVISIÓN

Sistema Para el Marcado de Regiones Tumorales en Imágenes Histológicas Gigapíxel

El objetivo principal es la valorización de los resultados de la investigación de nuevos algoritmos de inteligencia artificial para el análisis automático de imágenes histológicas (WSI) aplicados al diagnóstico de distintos tipos de cánceres, entre ellos (aunque no limitados): el cáncer de próstata, el cáncer de mama triple negativo (TNBC, de sus siglas en inglés) y el cáncer de piel.

Los últimos avances tecnológicos han supuesto un cambio drástico en las posibilidades de atención sanitaria, mejorando así las condiciones de asistencia médica. Pero los servicios de patología actuales siguen dependiendo en gran medida de la presencia de patólogos cualificados que realicen el reconocimiento de los hallazgos característicos en una sección de tejido a través de un microscopio.

La patología digital, y la innovación en este ámbito, resuelve múltiples problemas relacionados, tanto con el desarrollo de los trabajos, la calidad del servicio, así como, con el paciente (diagnóstico y seguridad).

Por lo tanto, el principal objetivo del presente proyecto es crear una plataforma web de visualización, anotación, y evaluación automática de casos histológicos que sirva de apoyo en la identificación de distintos tipos de cáncer. Esta herramienta permitirá que patólogos de todo el mundo puedan obtener una ayuda al diagnóstico en línea basada en técnicas de inteligencia artificial.

Como novedad principal, dicho sistema albergará modelos predictivos generados a partir de las técnicas más novedosas en el campo del aprendizaje profundo o deep learning.  A partir de nuevas muestras histológicas digitalizadas en cualquier hospital del mundo, los modelos predictivos albergados en la nube serán reentrenados a partir de dichos casos empleando novedosas técnicas de active learning.

Entidad Financiadora

FEDER Fondo Europeo de Desarrollo Regional

Años

2021 – 2023

Share

Socios

MINERVA
MINERVA

Mid- to Near Infrared Spectroscopy for Improved Medical Diagnostics

Aprovechar los últimos avances en tecnología fotónica para desarrollar una nueva plataforma de espectroscopía infrarroja y nuevos procesados de las señales adquiridas para la detección temprana de cáncer.

El diagnóstico final de la mayoría de tipos de cáncer lo realiza un médico experto en anatomía patológica que examina muestras tisulares o celulares sospechosas extraídas del paciente con un microscopio óptico tradicional. Actualmente, esta evaluación tediosa y subjetiva depende de la experiencia del médico y da lugar a altos niveles de discordancia entre diferentes patólogos, especialmente en las primeras etapas de desarrollo del cáncer.

En los últimos años la espectroscopia infrarroja (IR) ha demostrado un gran potencial para abrir  un nuevo capítulo en el campo de la imagen biomédica. El IR medio es capaz de excitar los modos de vibración de las biomoléculas más relevantes y las señales adquiridas informan sobre la composición química de la muestra. Por lo tanto, esta técnica de imagen emergente alberga un alto potencial para realizar diagnósticos patológicos objetivos y mejorar la detección y la evaluación del riesgo del paciente en el cribado y vigilancia de cáncer.

Hasta la fecha, la falta de fuentes, detectores y componentes adecuados en el IR medio han restringido esta tecnología a un interés únicamente académico. El proyecto MINERVA persigue varios objetivos en paralelo, desde el desarrollo de nueva instrumentación IR, como láseres, moduladores acusto-ópticos, fuentes supercontinuas y detectores en el rango IR medio, hasta la exploración del rendimiento y las limitaciones de la tecnología espectroscópica IR actual en la identificación temprana de cáncer.

El grupo CVBLab colabora en la exploración e implementación de nuevas técnicas matemáticas y computacionales de los campos interrelacionados de Tratamiento Digital de Imágenes, Visión Artificial, Aprendizaje Automático, Reconocimiento de Patrones y Análisis Multivariante para la adquisición, procesamiento y análisis de los espectros biomoleculares procedentes de imágenes hiperespectrales IR captadas de células y tejidos biológicos.

Para más información visite la página web oficial de Minerva.

Entidad Financiadora

Comisión Europea bajo el Séptimo Programa Marco (FP7-317803)

Años

2012 a 2017

Share

Publicaciones

Nuestros partners

AI4SKIN

AI4SKIN

Inteligencia artificial para el diagnóstico histopatológico de neoplasias cutáneas de células fusiformes

Desarrollar un sistema de ayuda al diagnóstico basado en inteligencia artificial para la detección de melanoma de células fusiformes y cáncer de piel no melanoma.

El cáncer de piel representa el grupo más común de neoplasias malignas en la población blanca. La tasa de incidencia del cáncer de piel, melanoma y no melanoma, está aumentando en todo el mundo. De hecho, en la actualidad, uno de cada tres cánceres diagnosticados es cáncer de piel. Entre los cánceres de piel más frecuentes destacan las lesiones cutáneas compuestas predominantemente de células fusiformes, un grupo heterogéneo de tumores cutáneos que van desde benignos hasta malignos.  Su diagnóstico se le lleva a cabo mediante el análisis de muestras biopsiadas por parte de los patólogos. Sin embargo, las neoplasias cutáneas de células fusiformes son difíciles de diagnosticar debido a la considerable superposición morfológica entre los diferentes tipos de tumores que componen este grupo, lo que plantea especialmente un problema para los patólogos menos experimentados. Este hecho dificulta un diagnóstico certero y la aplicación de un tratamiento clínico eficaz en neoplasias en las que la detección precoz y el tratamiento adecuado son fundamentales para un buen pronóstico en los casos malignos. Por esta razón, AI4SKIN nace como un proyecto cuyo principal objetivo es diseñar y desarrollar un sistema de ayuda al diagnóstico que permita clasificar de forma automática las muestras biopsiadas procedentes de las 7 neoplasias de células fusiformes más comunes: leiomioma, dermatofibroma, fibroxantoma atípico (AFX), leiomiosarcoma, dermatofibrosarcoma protuberante (DFSP), carcinoma de células escamosas y melanoma de células fusiformes. De esta forma, sería posible ayudar a los patólogos a mejorar en términos de tiempo y eficacia, así como a reducir el nivel de discordancia que existe entre ellos cuando intentan clasificar una determinada muestra.

El grupo CVBLab cuenta con ingenieros biomédicos y de telecomunicaciones que trabajan en la implementación de técnicas computacionales basadas en Machine Learning y Deep Learning aplicadas a imágenes biomédicas, con la finalidad de encontrar características y patrones que permitan determinar de forma automática no solo si el paciente tiene una neoplasia maligna, sino también de que tipo.

Agencia

Ministerio de Economía, Industria y Competitividad (PID2019-105142RB-C21)

Años

2019 a 2023

Share

Socios

SICAP

SICAP

Sistema de Interpretación de Imágenes Histopatológicas para la Detección del Cáncer de Prostata.

Desarrollar un sistema de ayuda al diagnóstico para el cáncer de próstata clasificando las imágenes histopatológicas procedentes de biopsias en diferentes grados según la escala Gleason.

Hoy en día, el cáncer de próstata es uno de los tipos más comunes de cáncer en el ser humano, junto con el de pulmón y el de mama. Para diagnosticarlo, primero se lleva a cabo una exploración física y, a continuación, un análisis de PSA. Si existen indicios de que el paciente pueda tener cáncer, se realiza una biopsia para obtener muestras de tejido prostático.  Después, un médico experto en anatomía patológica examina dichas muestras y les asigna una puntuación de acuerdo al sistema de clasificación de Gleason, el cual establece que los grados 1 y 2 se corresponden con un tejido prostático sano, mientras que los grados 3, 4 y 5 se corresponden con uno maligno.

En la actualidad, el análisis para clasificar las muestras es una tarea muy tediosa que requiere mucho tiempo y que suele llevar asociado un considerable nivel de subjetividad entre diferentes especialistas. Por esta razón, SICAP nace como un proyecto cuyo principal objetivo es diseñar y desarrollar un sistema de ayuda al diagnóstico que permita clasificar de forma automática las muestras biopsiadas, según la escala Gleason. De esta forma, sería posible ayudar a los patólogos a mejorar en términos de tiempo y eficacia, así como a reducir el nivel de discordancia que existe entre ellos cuando intentan clasificar una determinada muestra.

El grupo CVBLab cuenta con ingenieros biomédicos y de telecomunicaciones que trabajan en la implementación de técnicas computacionales basadas en Machine Learning y Deep Learning aplicadas a imágenes biomédicas, con la finalidad de encontrar características y patrones que permitan determinar de forma automática no solo si el paciente tiene cáncer, sino también la gravedad del mismo.

Entidad financiadora

Ministerio de Economía, Industria y Competitividad (DPI2016-77869-C2-1-R)

Años

2017 a 2020

Share

Publicaciones

Socios

WIBEC

WIBEC

Wireless In-Body Environment Communications

El principal objetivo de WiBEC es promover la formación doctoralen desarrollo de tecnología innovadora en el campo de los dispositivos implantables que puedan contribuir a una mejora en la calidad, el acceso y la eficiencia de la asistencia sanitaria.

WiBEC (Wireless In-Body Environment Communciations) es un Horizon 2020 Innovative Training Network (ITN) en el que un grupo de instituciones académicas, industriales y médicas se coordinan para formar a jóvenes investigadores. La formación se centra en el Social, Health and Technologies Challengedel H2020: Wireless In-Body Devices.

Los proyectos individuales de los investigadores se centran en dos dispositivos: implantes cardiovasculares y cápsulas endoscópicas para investigar problemas gastro-intestinales. Esos dispositivos permiten que profesionales de la salud tengan acceso a información clínicarelevante a la hora de atender a los pacientes. Por un lado, la motivación médica es incrementar las tasas de supervivencia y mejorar los resultados clínicosmediante diagnosis y tratamientos fáciles y rápidos. Por otro lado, el objetivo de la atención médica en el hogar es mejorar la calidad de vida e independencia de los pacientes mediante lo que se que conoce en inglés como ambient assisted living (AAL).

Un trabajo intersectorial y multidisciplinar es esencial en este proyecto al requerir cooperación entre el campo médico y el campo de la ingeniería, así como entre instituciones académicas e industria. WiBEC pretende ofrecerles a los investigadores noveles (ESRs: early-stage researchers) un programa de formación conjunto, adicionalmente a sus proyectos de investigación individuales, con el objetivo de fomentar la cooperación en el futuro entre los ESRse, incluso, entre sus instituciones de acogida en lo que se podría llamar una Red de Conocimiento.

La importancia de contar con tecnología innovadora en cirugía y en la atención médica está creciendo rápidamentey,por lo tanto,se prevé que Europa requerirá un gran número de expertos que combinen habilidades en el campo de la ingeniería y la salud para realizar nuevos paradigmas como el AAL. Los ESRs que forman parte de esta ITN adquirirán habilidades que les permitirán ocupar posiciones privilegiadas para fomentar el liderazgo de la UE en las TIC aplicadas a la salud.

https://www.ntnu.edu/wibec

 

Entidad financiadora

Comisión Europea, MARIE SKŁODOWSKA-CURIE ACTIONS (H2020:MSCA:ITN, 675353)

Años

2016-2019

Share

Publicaciones

Socios

CLARIFY

CLARIFY

Cloud Artificial Intelligence For Pathology

CLARIFY propone crear una infraestructura de investigación basada en inteligencia artificial y algoritmos de datos orientados a la nube que faciliten la interpretación y el diagnóstico en base a WSI en todas partes a través de herramientas novedosas así como un cambio de paradigma en el campo de la patología con el objetivo de maximizar los beneficios de la patología digital y ayudar a los patólogos en su trabajo diario.

La patología se considera suficientemente como madura para la innovación en términos de eficiencia del flujo de trabajo y diagnósticos más precisos. De hecho, el crecimiento del mercado estimado para los sistemas de patología digital es enorme, con el pronóstico de alcanzar 143 millones de dólares en 2019 en la UE y 205 millones de dólares en los Estados Unidos. A pesar de este aumento en las ventas, la patología diagnóstica en la práctica actual sigue siendo un proceso lento y engorroso que se basa en gran medida en la interpretación subjetiva de una imagen microscópica por un patólogo cualificado. Esto impone una limitación, incluso más sustancial en los departamentos de patología pequeños donde los patólogos podrían no estar especializados en áreas particulares.

 

CLARIFY aborda el desafío de mejorar el flujo de trabajo de los departamentos de patología optimizando los procesos actuales de diagnóstico y monitorización. Con este propósito, el objetivo científico de CLARIFY es desarrollar un entorno robusto de diagnóstico digital automatizado basado en tecnologías como: el procesamiento de imágenes digitales, la inteligencia artificial, la computación en la nube, blockchain, etc. para mejorar el intercambio de conocimientos y tomar decisiones mejor documentadas.

Para lograrlo, CLARIFY tiene como objetivo ofrecer un programa de investigación y capacitación innovador, multinacional, multisectorial y multidisciplinario que vincule dos especialidades altamente diferenciadas: ingeniería y medicina, con un enfoque en patología digital. Los socios del consorcio de CLARIFY reúnen a personal científico relevante de la academia, la industria y la medicina, que participaran en un programa de capacitación personalizado de alto nivel que garantizará a las ESR y los futuros estudiantes de doctorado oportunidades de carrera sobresalientes. CLARIFY difundirá los resultados a un amplio espectro de partes interesadas, creará conciencia entre el público en general sobre la patología digital y fomentará las carreras relacionadas con este campo entre los jóvenes estudiantes.

Para más información visite la página web oficial de Clarify.

Entidad financiadora

European Commission through Horizon 2020 (860627)

Años

2019 a 2023

Share

Socios

SAMUEL

SAMUEL

Sistema de Visión Artificial Aumentada Para la Caracterización Molecular y Morfológica del Cáncer de Piel

Elaborar un sistema de ayuda al diagnóstico basado en análisis de imagen histológica, información epigenética y datos clínicos para la detección del cáncer de piel. En particular, el objetivo es desarrollar algoritmos de machine learning para diferenciar entre melanoma y nevus, y evaluar el pronóstico de los casos de potencial maligno incierto.

La incidencia del cáncer de piel en el mundo occidental ha seguido una tendencia creciente en las últimas décadas, siendo el continente europeo el más afectado por el melanoma. La alta incidencia del cáncer de piel deriva en un aumento de la demanda del número de biopsias de piel, lo cual supone un reto logístico en los servicios de patología. Como motivación añadida, muchas de las lesiones remitidas a los departamentos de patología reportan directrices muy pobres para fundamentar la malignidad de la lesión. Esto conlleva una carga de trabajo significativa para los expertos, que tiene que emplear gran parte de su tiempo en analizar manualmente casos que finalmente resultan ser benignos (80% de los casos aproximadamente).

Entre los distintos tipos de cáncer de piel, el melanoma maligno es el más agresivo y peligroso, pues representa alrededor del 80% de las muertes asociadas al cáncer de piel. En este sentido, se hace esencial la detección precoz y el diagnóstico de la enfermedad en un estadio temprano a fin de reducir, en la medida de lo posible, las complicaciones asociadas. Sin embargo, la caracterización y diferenciación de estos tumores con respecto a otros tumores melanocíticos benignos o de potencial maligno incierto no es sencilla, ni siquiera para patólogos con experiencia. Además, dentro de las lesiones malignas, existen diferentes subtipos de melanoma con morfologías muy similares que suponen un reto para los expertos. Por esta razón, el proyecto SAMUEL pretende desarrollar herramientas de ayuda al diagnóstico que proporcionen a los patólogos una clasificación automática en diferentes subtipos de melanomas, así como una predicción del pronóstico del paciente. Para ello, se aplicarán algoritmos de inteligencia artificial sobre Whole-Slide Images (WSIs), que son las muestras de las biopsias digitalizadas en alta resolución. Además de las imágenes histológicas y de los datos clínicos del paciente, se tendrán en cuenta mecanismos moleculares que permiten la diseminación del melanoma cutáneo. En concreto, se llevarán a cabo procedimientos como la metilación del ADN y los microARNs, ya que, entre las distintas alteraciones epigenéticas existentes, se ha de mostrado que estas juegan un papel determinante en la progresión y desarrollo de los tumores melanocíticos.

En conclusión, con el proyecto SAMUEL se pretende desarrollar un sistema de ayuda al diagnóstico del cáncer de piel para diferenciar entre tumores melanocíticos malignos y benignos y para evaluar el pronóstico de los casos de potencial maligno incierto. Para ello, se llevarán a cabo algoritmos de inteligencia artificial que combinan imágenes histopatológicas, información epigenética y datos clínicos.

Agencia

Agencia Valenciana de la innovación

Años

2021 – 2023

Share

Socios

BRAIM

BRAIM

Técnicas Avanzadas de Imagen Médica para el Cerebro

El objetivo de este proyecto es el desarrollo y validación de herramientas para el diagnóstico precoz de enfermedades neurodegenerativas, como el Parkinson, la Esclerosis Múltiple o el Alzheimer, así como también para el diagnóstico y tratamiento de neoplasias cerebrales.

El proyecto BRAIM desarrolla y valida experimentalmente un conjunto de técnicas de procesado de diferentes tipos de imágenes médicas que permiten a los profesionales clínicos tomar las mejores decisiones cooperativas para la diagnosis y tratamiento de enfermedades cerebrales.

Por un lado, se propone el desarrollo y validación de un conjunto de herramientas que, a partir de imágenes de resonancia 3D de un paciente, posibilite de manera rápida y precisa el cálculo de volúmenes cerebrales y la clasificación de dicho paciente en función de una base de datos control para el diagnóstico de enfermedades neurodegenerativas. Además, esta herramienta permite, mediante la clasificación del paciente, realizar un pronóstico evolutivo del paciente bajo estudio. Aunque estas herramientas pueden ser útiles en el diagnóstico de múltiples patologías, la validación del sistema en este proyecto se centra en enfermos de Parkinson y de Esclerosis Múltiple.

En cuanto a la neurooncología, se desarrollan potentes herramientas que permiten al personal clínico determinar, a partir de imágenes anatómicas de resonancia 3D, el volumen total de la lesión tumoral para la utilización de esta variable en los próximos controles evolutivos. Además, se puede fusionar la información proporcionada por dichas imágenes anatómicas con imágenes metabólicas y funcionales para, de una manera no invasiva, proporcionar un mayor conocimiento sobre diversos aspectos de la misma (localización, agresividad, extensión, patrón infiltrativo…). Con todo ello se pretende ayudar no solo en el diagnóstico de las neoplasias y en su seguimiento, sino también en la toma de diversas decisiones cruciales como la estrategia terapéutica.

Entidad financiadora

Centro para el Desarrollo Tecnológico Industrial (IDI- 20130020)

Años

2012 a 2015

Share

Publicaciones

Socios

HEPAPLAN

HEPAPLAN

Planificador Hepático: Seguimiento y Análisis de Masas Tumorales en Cirugía Hepática

Desarrollar una herramienta software para el análisis prospectivo y retrospectivo de lesiones hepáticas evidenciadas en estudios anatómicos que ayude a los médicos en la toma de decisiones.

El proyecto ONCOTIC se compone de 6 sub-proyectos donde el denominador común es el uso de tecnologías TIC para mejorar el diagnóstico, tratamiento o seguimiento de patologías oncológicas. HepaPlan es uno de esos sub-proyectos en el que, concretamente, se busca mejorar el diagnóstico y seguimiento del cáncer de hígado.

En la actualidad, el facultativo solo dispone de unas imágenes 2D para emitir el diagnóstico del paciente. Sin embargo, el objetivo de este proyecto es proporcionarle información adicional que le ayude a decidir la terapia o tratamiento más adecuado. El software resultante del proyecto reconstruye un modelo 3D del hígado del paciente a partir de estudios de Resonancia Magnética (RM) y/o Tomografía Computarizada (TC) junto con sus estructuras anatómicas internas (venas, arterias y lesiones, si las hubiera). Una vez registradas las imágenes, se pueden realizar medidas volumétricas tanto del hígado como del tamaño del tumor y su posición relativa, así como del porcentaje del hígado afectado, el ratio de tejido sano/tejido con lesiones y la distancia entre el tumor y las venas o arterias más cercanas. Además, si se tienen estudios anteriores del paciente, se puede hacer un seguimiento de la evolución de la lesión desde el inicio del tratamiento hasta la actualidad. De cara a la planificación de una intervención quirúrgica, el software permite a los especialistas hacer simulaciones de una posible resección y evaluar de forma virtual los efectos de la cirugía sobre la capacidad funcional hepática.

HepaPlan fue galardonado con el ‘Best Innovation in Technology 2013’ dentro de los MIHealth Innovation Awards. Estos galardones reconocen el espíritu innovador y transformador de los profesionales del sistema sanitario y destacan el avance que supone contar con un planificador hepático que permita abordar las intervenciones quirúrgicas con un mayor grado de fiabilidad y disminuyendo los riesgos para el paciente.

Entidad financiadora

Centro para el Desarrollo Tecnológico Industrial (CDTI) (IDI-20101153)

Años

2010 a 2013

Share

Publicaciones

Socios

ACRIMA

ACRIMA

Análisis de Imagen de Fondo de Ojo para Cribado Automático de Enfermedades Oftalmológicas

El objetivo de este proyecto es el desarrollo de un sistema de cribado automático para las tres enfermedades más incidentes en la pérdida visual: el glaucoma, la retinopatía diabética y la degeneración macular asociada a la edad.

En este proyecto se proponen nuevos algoritmos de tratamiento de imagen enfocados no sólo a la detección de los patrones patológicos sino también a la definición y detección de la retina “normal”. Además, se avanza en la incorporación al algoritmo de marcadores empleados en el diagnóstico clínico que no han sido previamente utilizados en métodos de detección automática de patologías. Estas premisas dotan al sistema resultante del proyecto de un alto grado de robustez, así como de unos niveles de sensibilidad y especificidad suficientes para que pueda ser aplicado en la práctica clínica.

La motivación principal de este proyecto estriba en el alto impacto tanto social como económico que tiene la ceguera en la sociedad actual, así como la importancia del diagnóstico precoz de las principales enfermedades que causan ceguera, puede implicar, ya que la derivación adecuada para el tratamiento de dichas enfermedades es clave, pudiéndose prevenir la pérdida visual severa hasta en el 90% de los casos.

En la actualidad, un examen oftalmológico directo, periódico y completo parece ser el mejor enfoque para una evaluación de la población de riesgo, pero el crecimiento demográfico, el envejecimiento de la población, la inactividad física y los crecientes niveles de obesidad son factores que contribuyen al aumento de enfermedades sistémicas como la diabetes (que suelen llevar asociados enfermedades oftalmológicas) lo cual provoca que el número de oftalmólogos necesarios para la evaluación por examen directo de la población de riesgo sea un factor limitante.

Entidad financiadora

Ministerio de Economía y Competitividad (TIN2013-46751-R)

Años

2014 a 2016

Share

Publicaciones

Socios

Nuestros clientes

Trabajamos con las instituciones más importantes.

Desde centros de investigación a grandes empresas, CVBLab trabaja junto a sus clientes para alcanzar los objetivos.

+130
Publicaciones
+20
Proyectos
20
Años de experiencia
2
Premios recibidos
This website uses cookies to improve your web experience.
Explore
Drag