Reto: STROKE-EDGE-AI
STROKE-EDGE-AI:Despliegue de un modelo optimizado para la segmentación de lesiones de ictus isquémico en dispositivos embebidos.
Tipo de reto
Nano-Reto
Modalidad
Colaborativo
Coordinador/es
- Juan Francisco Zapata Pérez (juan.zapata@upct.es), Juan de la Cruz Martínez Cabeza de Vaca Alajarín (juanc.martinez@upct.es)
Descripción breve
El ictus isquémico es una de las principales causas de discapacidad y mortalidad en el
mundo. La detección y segmentación rápida de la lesión cerebral es clave para tomar
decisiones terapéuticas en las primeras horas, cuando cada minuto cuenta. Sin embargo,
los modelos de inteligencia artificial más avanzados requieren habitualmente servidores
con GPUs de alto rendimiento, lo que limita su uso directo en entornos clínicos con recursos
restringidos.
Este reto, alineado con el ODS 3 (Salud y Bienestar) y el ODS 9 (Industria, Innovación e
Infraestructura), propone trasladar la inteligencia artificial médica desde la nube hasta
dispositivos embebidos de bajo consumo, acercando el diagnóstico avanzado al punto de
atención.
El desafío consiste en diseñar, optimizar y desplegar un sistema de segmentación
automática de lesiones de ictus basado en redes neuronales profundas (nnU-Net) capaz
de ejecutarse en un dispositivo edge como la plataforma Jetson. El equipo trabajará con
imágenes reales de resonancia magnética (DWI y ADC) y abordará todo el ciclo de
desarrollo: preprocesamiento de datos, entrenamiento del modelo, exportación a ONNX,
optimización con TensorRT y validación comparativa entre ejecución en la nube y en
hardware embebido.
Durante el reto, los participantes prototiparán un pipeline completo “cloud-to-edge”,
analizarán métricas clínicas (Dice, IoU, sensibilidad, precisión) y evaluarán el impacto de la
optimización en precisión y rendimiento computacional. Se explorará además la viabilidad
de su integración en entornos clínicos reales.
El resultado final será un prototipo funcional demostrable que permita segmentar
automáticamente una lesión de ictus en un dispositivo embebido, acompañado de
visualización 3D de resultados y documentación técnica completa. El proyecto ejemplifica
cómo la ingeniería biomédica, la inteligencia artificial y la electrónica pueden converger
para generar soluciones clínicas portables, escalables y con impacto social directo.
Producto, prototipo o resultado final esperado
El resultado del reto será un prototipo demostrador de segmentación automática de ictus
ejecutado en un dispositivo embebido, evidenciando la viabilidad del despliegue de
inteligencia artificial médica fuera de la nube en un entorno compacto y realista. Se
desarrollará un sistema funcional capaz de cargar imágenes DWI y ADC previamente
preparadas, ejecutar un modelo de segmentación optimizado en una plataforma Jetson,
generar automáticamente la máscara de la lesión, mostrar la superposición de la
segmentación sobre la imagen original y calcular el volumen estimado de la lesión.
Durante la Feria de Retos UPCT, los resultados obtenidos se mostrarán directamente en
un póster divulgativo, donde se presentarán de forma clara y visual las segmentaciones
generadas, el flujo cloud-to-edge, el proceso de optimización del modelo, las métricas
alcanzadas y el análisis comparativo de rendimiento.
El objetivo no es desarrollar un sistema clínico completo, sino construir un demostrador
técnico funcional que permita comprender y visualizar el potencial real de la inteligencia
artificial embebida en aplicaciones biomédicas, sentando una base sólida para futuras
ampliaciones y desarrollos más avanzados.
Competencias a adquirir por los estudiantes
Los estudiantes desarrollarán competencias en inteligencia artificial aplicada a imagen
médica, optimización de modelos y despliegue en sistemas embebidos de bajo consumo.
Aprenderán a trabajar con imágenes biomédicas reales (DWI y ADC), comprenderán el
funcionamiento de redes de segmentación tipo nnU-Net y adquirirán experiencia en la
adaptación de modelos entrenados en la nube para su ejecución en hardware edge
mediante herramientas como ONNX y TensorRT.
Durante el reto, trabajarán en la integración completa de un pipeline cloud-to-edge,
comprendiendo aspectos de preprocesamiento de datos, validación con métricas clínicas
(Dice, IoU, sensibilidad), análisis de rendimiento computacional y limitaciones de memoria
y consumo energético en dispositivos embebidos. Esto les permitirá conectar teoría de
aprendizaje profundo con restricciones reales de ingeniería.
Además, fortalecerán competencias en análisis crítico de resultados, interpretación de
segmentaciones en contexto clínico y documentación técnica orientada a divulgación
científica. El proyecto fomenta el pensamiento interdisciplinar entre ingeniería biomédica,
electrónica e inteligencia artificial, así como la resolución de problemas reales con impacto
social en el ámbito de la salud.
Composición esperada del equipo
El reto está orientado principalmente a estudiantes de Grado en Ingeniería Biomédica y
estudiantes de Máster o áreas afines (Inteligencia Artificial, Ingeniería Electrónica, Sistemas
Embebidos o Ciencia de Datos aplicada a la salud). Es especialmente adecuado para
alumnado de cursos superiores o máster que ya haya cursado asignaturas relacionadas
con procesamiento de imagen médica, aprendizaje automático o sistemas electrónicos.
Se recomienda contar con conocimientos básicos en redes neuronales, programación en
Python y fundamentos de procesamiento digital de señal o imagen. No es necesario un
perfil experto, pero sí interés en inteligencia artificial aplicada a salud y en el análisis crítico
de resultados técnicos.
El reto puede desarrollarse tanto por un único estudiante como por un pequeño equipo. El
tamaño previsto es de 1 a 3 estudiantes, siendo perfectamente viable de forma individual,
aunque puede enriquecerse con un enfoque interdisciplinar si se combinan perfiles más
orientados a IA con otros más centrados en sistemas embebidos o validación biomédica.
La participación interdisciplinar resulta especialmente interesante, ya que permite integrar
la parte de modelado y optimización de redes neuronales con la interpretación clínica básica
de las imágenes y el análisis de métricas biomédicas. El proyecto está dimensionado para
poder alcanzar un demostrador funcional dentro de una dedicación aproximada de 40–50
horas por persona, manteniendo un equilibrio realista entre alcance técnico y viabilidad
académica.
Colaboraciones externas previstas (opcional)
Se están realizando contactos para ver si es posible implicar al Servicio Murciano de Salud.
Equipos participantes
- [1 integrante] Nombre: "STROKE-EDGE AI"
- Representante: Daniel Alcaraz Ortiz (Máster en Organización Industrial).
- Representante: Daniel Alcaraz Ortiz (Máster en Organización Industrial).