Este repositorio contiene el código desarrollado para el Trabajo de Fin de Máster (TFM):
“Modelos generativos de difusión aplicados al ámbito de imagen médica”.
Incluye los notebooks empleados en el entrenamiento, validación y evaluación de modelos de difusión aplicados a imágenes médicas, junto con el cálculo de métricas de calidad de las imágenes generadas.
Entrenamiento de Denoising Diffusion Probabilistic Models en diferentes datasets:
ddpm2D_melanoma_isic.ipynb→ entrenamiento con imágenes de melanoma (ISIC).ddpm2D_bingn_isic.ipynb→ entrenamiento con imágenes benignas (ISIC).ddpm2D_hand_meednist.ipynb→ entrenamiento con radiografías de mano (MedMNIST).
Redes entrenadas como feature extractors para el cálculo del Fréchet Inception Distance (FID):
unet_segmentation_training_isic2016.ipynb→ U-Net para segmentación de lesiones cutáneas.skinlesnet_classification_training_isic.ipynb→ SkinLesNet para clasificación de lesiones dérmicas.resnet50_classification_training_isic.ipynb→ ResNet50 para clasificación en imágenes ISIC.
Cálculo de métricas cuantitativas y cualitativas sobre las imágenes sintéticas:
ssim_fid_malignant_generated.ipynb→ SSIM y FID en imágenes de melanoma.ssim_fid_benign_generated.ipynb→ SSIM y FID en imágenes benignas.classification_accuracy_score.ipynb→ Precisión de clasificación en imágenes generadas.
Las imágenes generadas se evaluaron mediante:
- FID (Fréchet Inception Distance) → compara distribuciones de características entre imágenes reales y generadas.
- SSIM (Structural Similarity Index) → mide similitud estructural entre imágenes reales y sintéticas.
- Accuracy de clasificación → evalúa la capacidad de clasificadores entrenados para reconocer imágenes generadas.
Este código fue desarrollado en el marco del Máster en Ciencia de Datos e Ingeniería de Computadores de la Universidad de Granada, como parte de un estudio sobre la aplicabilidad de los modelos generativos de difusión en el ámbito biomédico.
El repositorio está pensado para que otros investigadores y estudiantes puedan replicar los experimentos y adaptar el código a nuevos datasets o problemas relacionados con imágenes médicas.
✨ ¡Contribuciones, comentarios y sugerencias son bienvenidos!