https://hdl.handle.net/11185/23 2026-05-28T15:41:25Z https://hdl.handle.net/11185/8839 Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo Matzkin, Víctor Franco Esta tesis doctoral aplica aprendizaje profundo a la reconstrucción de implantes craneales y la segmentación robusta de imágenes médicas, abordando limitaciones de datos y cambio de dominio. Dado el costo del diseño manual de implantes, se proponen enfoques autosupervisados que simulan la extracción de hueso en tomografías de cráneos completos, generando datos sintéticos que compensan la escasez de datos reales. Esta "craniectomía virtual" se mejoró con patrones de simulación más complejos y variables. Las estrategias superan en tiempo y desempeño a métodos alternativos como modelos de forma estadística y otros de aprendizaje profundo. Además, se explora el uso de conocimiento anatómico previo sobre la forma esperada para mejorar la solidez frente a implantes fuera de distribución y de mayor resolución. En la segunda parte, se estudia la robustez de modelos de segmentación frente a variaciones en la adquisición y poblaciones de pacientes. Se analiza la segmentación de hiperintensidades de sustancia blanca en resonancias cerebrales, evaluando regularización por entropía para mejorar la estimación de incertidumbre bajo cambio de dominio. Métodos como la entropía máxima en predicciones erróneas mejoran la capacidad del modelo de expresar incertidumbre en áreas ambiguas, detectar cambios de dominio y señalar errores sin anotaciones manuales, con mejoras en la calibración dentro y fuera de distribución. La investigación aporta avances metodológicos en aprendizaje automático aplicados al análisis de imágenes cerebrales. Las soluciones mejoran la precisión, eficiencia y robustez en reconstrucción de implantes y segmentación médica, orientadas a uso clínico. La validación en múltiples conjuntos de datos, incluyendo casos clínicos reales y competencias internacionales, demuestra su potencial para mejorar la planificación quirúrgica y el diagnóstico asistido, contribuyendo al cuidado de pacientes.; This doctoral thesis applies deep learning to cranial implant reconstruction and robust medical image segmentation, addressing data limitations and domain shift. Given the cost of manual implant design, self-supervised approaches are proposed that simulate bone extraction from CT scans of complete skulls, generating synthetic data to compensate for the scarcity of real patient data. This "virtual craniectomy" was improved with more complex and variable simulation patterns. The strategies outperform alternatives such as statistical shape models and other deep learning methods in time and performance. Additionally, the use of anatomical constraints or prior knowledge about the expected shape is explored to improve robustness against out-of-distribution implants at higher resolutions. In the second part, the thesis studies the robustness of segmentation models against variations in image acquisition and patient populations. White matter hyperintensity segmentation in brain MRI is analyzed, evaluating entropy regularization techniques to improve uncertainty estimation under domain shift. Methods such as maximum entropy on erroneous predictions improve the model's ability to express uncertainty in ambiguous areas, detect domain shifts, and serve as indicators of segmentation errors without manual annotations, with improvements in calibration on both in-distribution and out-of-distribution data. The research provides novel methodological advances in machine learning applied to computational brain image analysis. The proposed solutions improve precision, efficiency, and robustness in cranial implant reconstruction and medical image segmentation, oriented toward clinical use. Experimental validation on multiple datasets, including real clinical cases and international competitions, demonstrates the potential to significantly improve surgical planning and computer-aided diagnosis, contributing to improved patient care. Fil: Matzkin, Victor Franco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. 2026-03-10T00:00:00Z https://hdl.handle.net/11185/8819 Desarrollo de métodos robustos y fisiológicamente inspirados para el filtrado inverso de la voz Zalazar, Iván Ariel El flujo glótico, principal fuente acústica de la fonación humana, porta información sobre las cuerdas vocales. Desafortunadamente, no es posible sensar dicho flujo dentro de la laringe. El filtrado inverso permite estimar de forma no invasiva el flujo glótico al eliminar los efectos del tracto vocal y la radiación en los labios de la señal de voz. Esta tesis presenta nuevos métodos para mejorar la cancelación de estos efectos. Para ello, se abordan las principales limitaciones de la predicción lineal (PL), un método estándar para modelar la contribución del tracto vocal en la señal de voz. Se proponen dos estrategias de PL ponderadas basadas en atenuación Gaussiana para reducir los errores en el ajuste del modelo del tracto vocal causados ​​por las muestras ubicadas en los instantes de cierre glótico. Estas estrategias extienden la formulación de la PL Gaussiana al incorporar un análisis adaptado al tono y una ponderación de fase casi-cerrada, lo que mejora su desempeño. Además, se presenta un método de PL basado en correntropía. Este enfoque resulta un método LP ponderado y guiado por datos que enfatiza automáticamente las muestras ubicadas en la fase cerrada. Esto elimina la necesidad de conocer los instantes glóticos y mejora el modelado del tracto vocal. Finalmente, se propone un modelo adaptativo no armónico regularizado como alternativa para cancelar el efecto de radiación labial y reducir las distorsiones de baja frecuencia producidas por un filtrado inverso inadecuado. Este enfoque proporciona estimaciones del flujo glótico fisiológicamente representativas caracterizadas por una fase cerrada plana.; Glottal airflow, the primary acoustic source of human phonation, carries essential information regarding vocal fold dynamics. Unfortunately, direct measurement of glottal airflow within the larynx is not feasible. Voice inverse filtering enables the non-invasive estimation of glottal airflow by removing the effects of the vocal tract and lip radiation from the voice signal. The present thesis introduces new methods to improve the cancellation of these effects during the inverse filtering process. To this end, the main drawbacks of linear prediction (LP)—a standard method for modeling the vocal tract contribution from the voice signal—are addressed. Two weighted LP strategies based on Gaussian attenuation are proposed to mitigate errors in vocal tract model tuning caused by voice signal samples near glottal closure instants. These strategies extend the original Gaussian LP formulation by incorporating a pitch-adaptive analysis and a quasi-closed phase weighting, significantly enhancing their performance for inverse filtering. Additionally, a robust LP method based on the maximum correntropy criterion is developed. This approach results in a data-driven weighted LP method that automatically emphasizes closed-phase voice signal samples, thereby eliminating the need for prior knowledge of glottal instant locations and improving vocal tract contribution modeling. Finally, a regularized adaptive non-harmonic model is proposed as an alternative for canceling the lip radiation effect and reducing low-frequency distortions produced by inadequate inverse filtering. This approach yields a physiologically representative glottal airflow waveform estimation, characterized by a flat closed phase. Fil: Zalazar, Iván Ariel. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. 2026-03-11T00:00:00Z https://hdl.handle.net/11185/8796 Métodos de aprendizaje automático de mínima calibración para interfaces cerebro-computadora basadas en imaginería motora Galván, Catalina María El deterioro de la función motora del miembro superior tras accidentes cerebrovasculares u otras condiciones neurológicas impacta significativamente en la calidad de vida. En este contexto, las interfaces cerebro-computadora basadas en imaginería motora (MI-BCIs) son una herramienta prometedora para la asistencia y rehabilitación, al permitir transformar la actividad cerebral en comandos de control sin utilizar las vías neuromusculares. Sin embargo, su aplicación se ve limitada por la compleja decodificación de señales de electroencefalografía (EEG) y, especialmente, por su alta variabilidad inter e intra-sujeto, lo que requiere extensas sesiones de calibración. En esta tesis se desarrollaron métodos de aprendizaje automático orientados a reducir estos tiempos y mejorar la robustez de la decodificación. En primer lugar, se propuso PySimMIBCI, un método para generar datos sintéticos de EEG con características fisiológicamente plausibles e información sujeto-específica para tareas de imaginería motora. Este enfoque permite incorporar factores de variabilidad como la fatiga o distintas capacidades de modulación, y fue utilizado para aumentación de datos, logrando mejoras significativas en el desempeño. En segundo lugar, se abordó la transferencia de aprendizaje entre sujetos y bases de datos mediante XS-BOT, un método de adaptación de dominio basado en transporte óptimo hacia atrás. Este enfoque alinea las características de nuevos usuarios con distribuciones previamente aprendidas, permitiendo alcanzar altos niveles de precisión con pocos datos de calibración y un número reducido de electrodos. En conjunto, estos aportes contribuyen al desarrollo de MI-BCIs más robustas, de mínima calibración y centradas en la persona usuaria.; Upper-limb motor impairment following stroke or other neurological conditions significantly impacts quality of life. In this context, motor imagery-based brain–computer interfaces (MI-BCIs) are a promising tool for assistance and rehabilitation, as they enable the transformation of brain activity into control commands without relying on neuromuscular pathways. However, their practical application is limited by the complexity of electroencephalography (EEG) signal decoding and, in particular, by high inter- and intra-subject variability, which requires extensive calibration sessions. In this thesis, machine learning methods were developed to reduce calibration time and improve decoding robustness. First, PySimMIBCI was proposed, a method for generating synthetic EEG data with physiologically plausible characteristics and subject-specific information for motor imagery tasks. This approach allows incorporating variability factors such as fatigue or differences in modulation capability, and was used for data augmentation, leading to significant improvements in decoding performance. Second, transfer learning across subjects and datasets was addressed through XS-BOT, a domain adaptation method based on backward optimal transport. This approach aligns the feature distribution of new users with previously learned distributions, enabling high accuracy with a minimal amount of calibration data and a reduced number of electrodes. Overall, these contributions support the development of robust, minimal-calibration MI-BCIs centered on the end user, aligned with the needs of motor rehabilitation. Fil: Galván, Catalina María. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. 2025-12-22T00:00:00Z https://hdl.handle.net/11185/8749 Análisis de la estructura de correlación espacial de la conductividad hidráulica en un acuífero en un área urbana de llanura Zucarelli, Agostina María Esta tesis doctoral se centra en la caracterización espacial de la conductividad hidráulica y su influencia en la modelación numérica del flujo subterráneo de un sistema hidrogeológico en un área urbana. El área de estudio corresponde al acuífero que subyace a la ciudad de Santa Fe, provincia de Santa Fe, Argentina, emplazada en una llanura sedimentaria que presenta singularidades propias de los sistemas fluviales que la rodean. La investigación se focaliza en las arenas de la Fm. Ituzaingó consideradas como el principal acuífero en explotación de la zona. El perfil hidroestratigráfica del área de estudio está compuesto por tres unidades principales: la Fm. Paraná, considerada como el hidroapoyo para la presente Tesis; la Fm. Ituzaingó, integrada por arenas y arenas gravosas con marcada heterogeneidad sedimentaria; y los sedimentos pampeanos, de granulometría más fina, que incluyen arenas finas, limos y arcillas de origen eólico. La conductividad hidráulica de las arenas de la Fm. Ituzaingó fue estimada a partir de la interpretación de datos provenientes de ensayos de bombeo, slug tests y análisis granulométricos. Para representar su estructura de correlación espacial se aplicaron técnicas geoestadísticas, utilizando el método de kriging para obtener los valores regionalizados de este parámetro. Se desarrolló un modelo conceptual y se implementó un modelo numérico de flujo subterráneo que incorporó dicha estructura de correlación espacial. La calibración del modelo permitió evaluar el impacto de la heterogeneidad en la precisión de la simulación, en comparación con una condición de homogeneidad del parámetro. El enfoque metodológico propuesto proporciona una herramienta robusta para la caracterización y simulación de acuíferos urbanos, con aplicaciones relevantes en planificación urbana, gestión de recursos hídricos y evaluación de riesgos hídricos.; This doctoral dissertation focuses on the spatial characterization of hydraulic conductivity and its influence on the numerical modelling of groundwater flow in an urban aquifer system. The study area corresponds to the city of Santa Fe, province of Santa Fe, Argentina, located in a sedimentary plain with features typical of the surrounding fluvial systems. The research focuses on the sands of the Ituzaingó Formation, considered the main exploited aquifer in the area. The hydrostratigraphic profile of the study area is composed of three main units: the Paraná Formation, considered as the hydrogeological basement for this study; the Ituzaingó Formation, composed of sands and gravelly sands with marked sedimentary heterogeneity; and pampean sediments of finer granulometry, including fine sands, silts, and clays of aeolian origin. The hydraulic conductivity of the Ituzaingó Formation sands was estimated based on the interpretation of data from pumping tests, slug tests, and grain-size analyses. Geostatistical techniques were applied to represent its spatial correlation structure, using the kriging method to obtain regionalized values for this parameter. A conceptual model was developed, and a numerical groundwater flow model was implemented considering this spatial correlation structure. Model calibration allowed the evaluation of the impact of heterogeneity on simulation accuracy, compared to a homogeneous parameter condition. The proposed methodological approach provides a robust tool for the characterization and simulation of urban aquifers, with relevant applications in urban planning, water resources management, and water risk assessment. Fil: Zucarelli, Agostina María. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. 2025-12-22T00:00:00Z