Sistema integrado para visualización médica con DICOM, realidad virtual y detección de anomalías torácicas mediante inteligencia artificial
DOI:
https://doi.org/10.22201/dgtic.26832968e.2026.16.117Palabras clave:
inteligencia artificial, información y desarrollo, Tecnología de la información, Tecnología médica, Programa de ordenadorResumen
Este artículo describe el diseño e implementación de un sistema tecnológico integrado para la visualización médica avanzada, combinando un servidor de Sistema de Comunicación y Archivo de Imágenes (PACS, por sus siglas en inglés) de código abierto (Orthanc), un modelo de Inteligencia Artificial (IA) basado en redes neuronales convolucionales y (CNN) especializado en la detección de anomalías torácicas, así como visores tanto web como inmersivos que utilizan Oculus Quest 2. El sistema permite la carga, procesamiento y análisis de imágenes radiológicas en formato Digital Imaging and Communications in Medicine (DICOM) a través de entornos multiplataforma, facilitando el diagnóstico asistido por computadora en contextos clínicos y educativos. La arquitectura propuesta incorpora una interfaz de programación de aplicaciones (API REST) desarrollada en Python/Flask que enlaza los visores con el modelo CNN, permitiendo determinar la certeza de pertenencia de las muestras a categorías de patologías pulmonares. Además, se garantiza la interoperabilidad mediante DICOMweb y WebXR, permitiendo una interacción inmersiva desde entornos de realidad virtual. La propuesta demuestra la viabilidad técnica de integrar herramientas de bajo costo como herramienta de apoyo a la interpretación médica, con potencial para ser replicada en hospitales y escenarios de simulación clínica.
Descargas
Citas
[1] M. Joy, “AI Integration in PACS: Advancing Medical Imaging and Healthcare Delivery”, Int. J. Sci. Technol., vol. 16, n.º 1, marzo de 2025. [En línea]. Disponible: https://doi.org/10.71097/ijsat.v16.i1.2930
[2] G. Couture, Y. Lemaréchal y P. Després, “PyOrthanc: A Python Interface for Orthanc DICOM Servers”, J. Open Source Softw., vol. 10, n.º 106, p. 7562, febrero de 2025. [En línea]. Disponible: https://doi.org/10.21105/joss.07562
[3] S. Jain, A. Smit, A. Y. Ng y P. Rajpurkar, “Effect of Radiology Report Labeler Quality on Deep Learning Models for Chest X-Ray Interpretation”, arXiv:2104.00793, 2021. [En línea]. Disponible: https://doi.org/10.48550/arXiv.2104.00793
[4] P. Chambon et al., “CheXpert Plus: Augmenting a Large Chest X-ray Dataset with Text Radiology Reports, Patient Demographics and Additional Image Formats”, arXiv:2405.19538, 2024. [En línea]. Disponible: https://doi.org/10.48550/arXiv.2405.19538
[5] T. J. L. Jinez, B. F. I. Noriega, H. D. M. Reina y V. L. G. Santillán, “Ambiente virtual interactivo con tecnología de realidad virtual médica orientada al aprendizaje funcionamiento y evaluación de un fantoma cardio-respiratorio”, Cienc. Educ., Edición Especial, pp. 151–161, marzo de 2025. [En línea]. Disponible: https://doi.org/10.5281/zenodo.14977438
[6] A. Savón Berenguer y H. Blanco Lores, “Sistema de Transmisión Interhospitalaria de Imágenes Médicas”, Orange J., vol. 3, n.º 6, pp. 48–57, enero de 2022. [En línea]. Disponible: https://doi.org/10.46502/issn.2710-995x/2021.6.05
[7] DICOM Standards Committee, “DICOM PS3.18: Web Services (DICOMweb)”, National Electrical Manufacturers Association (NEMA), 2023. [En línea]. Disponible: https://dicom.nema.org/medical/dicom/2023e/output/chtml/part18/PS3.18.html
[8] H. Elahi, N. Liu, J. Chen y F. Zhang, “Towards a Secure Framework for Regulating Artificial Intelligence Systems”, IEEE Trans. Dependable Secure Comput., pp. 1–18, 2025. [En línea]. Disponible: https://doi.org/10.1109/tdsc.2025.3616288
[9] L. D. Pérez-Enríquez, R. Díaz-Hernández y L. Altamirano-Robles, “Implementación de CNN basada en una arquitectura VGG16 para detección y clasificación mediante segmentación semántica en imágenes aéreas”, Research in Computing Science, vol. 151, n.º 7, pp. 157–170, 2022.
[10] K. W. Church, Z. Chen y Y. Ma, “Emerging trends: A gentle introduction to fine-tuning”, Natural Language Engineering, vol. 27, n.º 6, pp. 763–778, oct. 2021. doi: 10.1017/S1351324921000322
[11] E. Alamilla-Jiménez, A. Bolívar-Cimé y E. Nájera, “Redes neuronales y su aplicación en la clasificación de patrones”, Revista de la Facultad de Ciencias, vol. 11, n.º 1, pp. 78–97, 2022. doi: 10.15446/rev.fac.cienc.v11n1.99173
[12] K. Bhansali, M. A. Lago, R. Beams y C. Zhao, “Evaluation of monocular and binocular contrast perception on virtual reality head-mounted displays”, J. Med. Imag., vol. 11, n.º 06, sep. 2024. [En línea]. Disponible: https://doi.org/10.1117/1.jmi.11.6.062605
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Noé Toledo González, Maira Selene Ríos Gómez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
TIES, Revista de Tecnología e Innovación en Educación Superior, es una publicación semestral de acceso abierto bajo la licencia Creative Commons Atribución-No Comercial 4.0 Internacional (CC BY-NC 4.0).
ISSN 22683-2968 • © 2026 Universidad Nacional Autónoma de México. TIES, Revista de Tecnología e Innovación en Educación Superior es editada por la Universidad Nacional Autónoma de México a través de la Dirección General de Cómputo y de Tecnologías de Información y Comunicación (DGTIC). Circuito exterior s/n, Ciudad Universitaria, Alcaldía Coyoacán, C.P. 04510, Ciudad de México, México • Reserva de Derechos de Autor otorgado por INDAUTOR: 04-2019-011816190900-203.
El contenido de los artículos es responsabilidad de los autores y no refleja el punto de vista del Comité editorial, del Editor o de la Universidad Nacional Autónoma de México. Hecho en México, 2026.
