Restrepo Gómez, RenéTrujillo Anaya, Carlos AlejandroCadavid Muñoz, Juan José2026-02-162025https://hdl.handle.net/10784/36864La Tomografía de Coherencia Óptica (OCT) es una técnica de imagenología que ha transformado el diagnóstico médico al proporcionar imágenes tridimensionales de alta resolución de tejidos biológicos de forma no invasiva. Su primera implementación, la OCT en el dominio del tiempo (TD-OCT), utilizaba un barrido mecánico para adquirir cada perfil de profundidad, lo que limitaba su velocidad y la hacía vulnerable a artefactos de movimiento del paciente, afectando la calidad de las imágenes en vivo. Para superar estas limitaciones, se desarrolló la OCT en el dominio de Fourier (FD-OCT), que captura toda la información de un perfil de profundidad simultáneamente. Este avance incrementó drásticamente la velocidad y sensibilidad, pero trajo consigo nuevos desafíos. Uno de los más importantes es el artefacto espejo, una copia conjugada de la imagen que aparece debido a la naturaleza real de la señal interferométrica y su posterior Transformada de Fourier. Otro problema clave es el aliasing, que surge del compromiso entre la velocidad de adquisición y el cumplimiento del teorema de muestreo de Nyquist. En la práctica, se reduce la densidad del muestreo lateral para minimizar el tiempo de escaneo y los artefactos de movimiento, pero este submuestreo provoca que las altas frecuencias espaciales del tejido se representen incorrectamente como frecuencias bajas, degradando la fidelidad de la imagen. El objetivo principal de la investigación es abordar dos problemas específicos: el submuestreo lateral, que causa aliasing, y el artefacto espejo. Solucionar el primero permitiría reducir el tiempo de adquisición sin sacrificar la calidad del tomograma, mientras que eliminar el segundo optimizaría el uso del rango de profundidad de la imagen. Tradicionalmente, las soluciones para estos artefactos han dependido de modificaciones en el hardware del sistema OCT. Estos enfoques, aunque efectivos, resultan costosos, aumentan la complejidad del equipo y no son fácilmente aplicables a los sistemas ya existentes en entornos clínicos. Frente a estas limitaciones, este trabajo propone una solución innovadora basada en aprendizaje profundo que opera exclusivamente en la etapa de postprocesamiento digital de las imágenes. La gran ventaja de este método es que no requiere ninguna intervención física en el sistema óptico, lo que permite su implementación en datos adquiridos con cualquier equipo OCT convencional. Para llevar a cabo esta tarea, se exploraron diferentes arquitecturas de redes generativas adversarias (GANs), identificándose el modelo Pix2Pix como el más eficaz para corregir simultáneamente tanto los artefactos de aliasing derivados del submuestreo como el artefacto espejo. La efectividad de esta metodología fue rigurosamente validada mediante análisis cualitativos y cuantitativos. Esta investigación no solo demuestra el potencial de las GANs para resolver problemas complejos en la imagenología OCT, sino que también establece una base sólida para su futura aplicación en la práctica clínica. Al mejorar la calidad de la imagen y la eficiencia de la adquisición sin necesidad de nuevo hardware, este enfoque de postprocesamiento tiene el potencial de optimizar significativamente el diagnóstico, donde la precisión y la rapidez son fundamentales.Optical Coherence Tomography (OCT) is an imaging technique that has revolutionized medical diagnosis by providing high-resolution, three-dimensional images of biological tissues non-invasively. Its initial implementation, Time-Domain OCT (TD-OCT), relied on mechanical scanning to acquire each depth profile, which limited its speed and made it susceptible to motion artifacts from the patient, compromising the quality of in-vivo images. To overcome these limitations, Fourier-Domain OCT (FD-OCT) was developed, which captures the entire information of a depth profile simultaneously. This advancement dramatically increased speed and sensitivity but also introduced new challenges. One of the most significant is the mirror artifact, a conjugate copy of the image that appears due to the real nature of the interferometric signal and its subsequent Fourier Transform. Another key problem is aliasing, which arises from the trade-off between acquisition speed and compliance with the Nyquist sampling theorem. In practice, lateral sampling density is reduced to minimize scan time and motion artifacts, but this undersampling causes high spatial frequencies of the tissue to be incorrectly represented as lower frequencies, degrading image fidelity. The primary goal of the research is to address two specific problems: lateral undersampling, which causes aliasing, and the mirror artifact. Solving the former would allow for reduced acquisition time without sacrificing tomogram quality, while eliminating the latter would optimize the use of the image's depth range. Traditionally, solutions for these artifacts have depended on hardware modifications to the OCT system. These approaches, while effective, are costly, increase equipment complexity, and are not easily applicable to existing systems in clinical settings. In response to these limitations, this work proposes an innovative solution based on deep learning that operates exclusively in the digital post-processing stage of the images. The main advantage of this method is that it requires no physical intervention in the optical system, allowing it to be implemented on data acquired with any conventional OCT equipment. To carry out this task, different Generative Adversarial Network (GAN) architectures were explored, with the Pix2Pix model being identified as the most effective for simultaneously correcting both aliasing artifacts from undersampling and the mirror artifact. The effectiveness of this methodology was rigorously validated through qualitative and quantitative analyses. This research not only demonstrates the potential of GANs to solve complex problems in OCT imaging but also lays a solid foundation for their future application in clinical practice. By improving image quality and acquisition efficiency without the need for new hardware, this post-processing approach has the potential to significantly optimize diagnosis, where accuracy and speed are essential.application/pdfspaTodos los derechos reservadosTomografía de coherencia ópticaArtefacto espejoTasa de muestreoAprendizaje profundoRedes adversarias generativasRedes neuronalesTransformada de Fourierinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessTOMOGRAFÍA ÓPTICAFÍSICA - INVESTIGACIONESRED NERVIOSACIRCUITO NEURALOptical coherence tomographyMirror artifactSample rateDeep learningGenerative adversarial networksNeural networksFourier transformAcceso abierto2026-02-16Pulgarín Suárez, Diego Alexanderreponame:Repositorio Institucional Universidad EAFITinstname:Universidad EAFITrepourl:https://repository.eafit.edu.cohttp://purl.org/coar/access_right/c_abf2