INTEGRATION OF ARTIFICIAL INTELIGENCE MODELS INTO A CLINICAL APPLICATION FOR SHOULDER PATHOLOGY DETECTION

Abstract

Este Trabajo de Fin de Grado presenta el desarrollo de una aplicación con enfoque médico ori entada a la detección y análisis de tendinopatías calcificantes del manguito rotador a partir de radiografías de hombro. El sistema es capaz de procesar imágenes tanto del hombro izquierdo como derecho en formatos DICOM, JPG y PNG, integrando múltiples modelos de inteligencia artificial para la clasificación, localización y caracterización de las calcificaciones. La arquitectura de la aplicación se basa en un backend desarrollado en Python mediante el framework Flask, junto con un frontend interactivo construido con HTML, CSS y JavaScript, permitiendo una interfaz intuitiva para la carga y análisis de imágenes médicas. Encuanto al procesamiento, se implementa un pipeline que combina distintos modelos de Deep Learning. En primer lugar, un modelo basado en redes neuronales convolucionales (CNN) per mite la clasificación inicial de la patología. Posteriormente, se emplea una arquitectura U-Net para la segmentación de la cabeza humeral, lo que permite generar una región de interés op timizada. Esta región es redimensionada a 300 × 300 píxeles y utilizada como entrada para un segundo modelo CNN especializado y entrenado con placas de este tamaño, mejorando la precisión del diagnóstico y permitiendo al modelo focalizar su atención en la región anatómica más relevante del manguito rotador. Adicionalmente, el sistema incorpora modelos de localización de calcificaciones. Por un lado, se utiliza un modelo basado en YOLO para la detección mediante bounding boxes, permitiendo identificar la posición relativa de las calcificaciones respecto a las estructuras del manguito ro tador. Por otro lado, se emplea un modelo de segmentación U-Net para la localización precisa de las calcificaciones, facilitando la extracción de características y su posterior clasificación en distintos tipos. Además, utilizando distintos métodos de preprocesado se consigue inferir la lateralidad de la radiografía sin necesidad de acceder a los metadatos del archivo dicom, lo que permite extender esta funcionalidad a otros formatos como JPG o PNG. El resultado es una herramienta integral de apoyo al diagnóstico clínico que combina clasifi cación, segmentación y detección, proporcionando información visual y cuantitativa relevante para la interpretación radiológica.