Rivera, Juan CarlosLaniado, HenryPuerta, María Eugenia2024-05-082024https://hdl.handle.net/10784/33781El cáncer es una de las principales causas de muerte en todo el mundo. La radioterapia juega un papel fundamental en su tratamiento, pero los daños colaterales del proceso pueden afectar la calidad de vida de los pacientes. La radioterapia de intensidad modulada (IMRT) es una técnica avanzada que ofrece beneficios prometedores, pero las imágenes de entrada para IMRT conllevan altos costos. Para mitigar el daño colateral y aumentar la eficacia del tratamiento, proponemos una metodología para ampliar el conjunto de imágenes de entradas para IMRT. En este estudio, nos centramos en reducir la incertidumbre de los datos mediante el preprocesamiento de las imágenes de entrada. Al emplear bootstrapping, una técnica de muestreo estadístico no paramétrico, reducimos las imágenes de entrada a regiones de interés, y mediante la interpolación de esta información por splines polinomiales y B-splines generamos imágenes intermedias. Nuestros hallazgos muestran que ambos métodos de interpolación, específicamente el spline polinomial de grado 1, reducen efectivamente la incertidumbre de los datos. Los métodos se prueban utilizando pruebas de correlación de Pearson y pruebas de hipótesis bootstrap, encontrando que son precisos. Al ampliar el conjunto de datos de entrada y minimizar la incertidumbre, nuestro enfoque promete mejorar la planificación del tratamiento y mejorar los resultados de los pacientes en radioterapia.Cancer is one of the leading causes of death worldwide. Radiotherapy plays a fundamental role in its treatment, but the collateral damage of the process can affect patients' quality of life. Intensity-modulated radiation therapy (IMRT) is an advanced technique that offers promising benefits, but input imaging for IMRT incurs high costs. To mitigate collateral damage and increase treatment efficacy, we propose a methodology to expand the input set for IMRT. In this study, we focused on reducing the uncertainty of the data by preprocessing the input images. By employing bootstrapping, a non-parametric statistical sampling technique, we reduce the input images to regions of interest. Interpolating this information using polynomial splines and B-splines generates intermediate images. Our findings show that both interpolation methods, specifically the degree 1 polynomial spline, effectively reduce the uncertainty of the data. The methods are tested using Pearson correlation tests and bootstrap hypothesis tests, finding them accurate. By expanding the input data set and minimizing uncertainty, our approach promises to improve treatment planning and enhance patient outcomes in radiotherapy.spaTodos los derechos reservadosProcesamiento de imágenesInterpolación por splinesEstadística no paramétricaTerapia de radiaciónIMRTmasterThesisinfo:eu-repo/semantics/openAccessNEOPLASMASRADIOTERAPIARADIOLOGÍA MÉDICAMUESTREO (ESTADÍSTICA)Images processingSpline-interpolationNon-parametric statisticsRadiation therapyAcceso abierto2024-05-08Ríos Querubín, Mateo