Hola,
es un placer invitarlos a la defensa del primer Proyecto de Fin de Carrera de Ingeniería Físico-Matemática.
Se desarrollará el miércoles 8/5 a las 15:00hs en el salón azul (502) y los detalles los pueden encontrar más abajo.
El proyecto fue desarrollado conjuntamente por los alumnos Román Demczylo, de Ingeniería Físico-Matemática, y Diego Silva Piedra, de Ingeniería Eléctrica, tutoreados por los docentes Ariel Fernández y Federico Lecumberry.Saludos cordiales,
Pablo
---------------------------------------------------------------
Título: "Microscopía de Matrices de Mueller para Diagnóstico Temprano en Muestras Completas de Tejidos Biológicos"
Estudiantes: Roman Demczylo y Diego Silva Piedra
Tutores: Ariel Fernández (IFFI) y Federico Lecumberry (IIE)
Tribunal: Álvaro Gómez (IIE), Lorenzo Lenci (IFFI) y Pablo Monzón (IIE)
Resumen: La polarización es una propiedad fundamental de la luz que puede ser modelada a través de cuatro números reales conocidos como parámetros de Stokes. Cuando la luz interactúa con un objeto, su estado de polarización se transforma a través de una función de transferencia conocida como matriz de Mueller. Esta matriz describe de forma completa las características polarimétricas del objeto, las cuales tienen asociación directa con sus propiedades físicas, principalmente de naturaleza mecánica. En los últimos años, surgió la imaginería polarimétrica de Mueller: una técnica capaz de medir las matrices de Mueller sobre un campo de visión acotado, permitiendo visualizar las características físicas sobre un campo bidimensional.
Este trabajo presenta el diseño e implementación de un sistema de microscopía de matrices de Mueller para el análisis de tejidos biológicos de muestra completa. El sistema combina la adquisición de imágenes de alta resolución con el cálculo de matrices de Mueller para obtener información sobre la estructura y las propiedades físicas del tejido. Asimismo, se incorpora un algoritmo de \textit{stitching} que permite la fusión de las capturas del microscopio para lograr caracterizar una muestra de tejido entera. La utilización de técnicas de aprendizaje automático puede habilitar la identificación automática de características relevantes y la clasificación de diferentes tipos de tejido y patologías. Se introduce un estudio de aprendizaje automático sobre las imágenes capturadas por el sistema de microscopía y sus características resultantes del cálculo de matrices de Mueller. Se exploran modelos de distinta complejidad, aplicándolos directamente sobre las imágenes o sobre vectores de características calculados a partir de las mismas, y se compara su desempeño en el conjunto de prueba.