Descripción del proyecto

Project description

La detección precisa de gliomas mediante resonancia magnética es clave para el diagnóstico neurológico temprano, pero entrenar redes neuronales sobre datasets clínicos —típicamente desbalanceados— tiende a producir modelos sobreajustados que priorizan la clase mayoritaria. Este Trabajo Final aborda ese problema desarrollando y evaluando un sistema de clasificación binaria basado en arquitecturas convolucionales YOLO, sobre un conjunto de datos ampliado significativamente respecto al original para sostener la fiabilidad del modelo.

La validación se estructuró en cinco pruebas experimentales incrementales, evaluando de forma aislada el impacto de la expansión del dataset, las estrategias de balanceo de clases y el efecto de la aumentación de datos. Sobre esa base, se contrastó el desempeño de las arquitecturas YOLOv11n y YOLOv26n para determinar la configuración óptima en precisión y robustez frente a datos clínicos no vistos, incorporando mapas de calor para interpretar visualmente las regiones que el modelo asocia a cada clasificación.

Accurate glioma detection via MRI is key to early neurological diagnosis, but training neural networks on clinical datasets — typically imbalanced — tends to produce overfit models that favor the majority class. This thesis project tackles that problem by developing and evaluating a binary classification system based on YOLO convolutional architectures, over a dataset significantly expanded from the original to support model reliability.

Validation was structured across five incremental experimental tests, isolating the impact of dataset expansion, class-balancing strategies and data augmentation. Building on that, the performance of the YOLOv11n and YOLOv26n architectures was compared to determine the optimal configuration for precision and robustness against unseen clinical data, incorporating heatmaps to visually interpret the regions the model associates with each classification.