Juan Felipe Orejuela Zapata

Juan Felipe Orejuela Zapata

Auto-generated profile, based on publicly available information

Juan Felipe Orejuela Zapata

Departamento de Imágenes Diagnósticas, Fundación Valle de Lili, Cali, Colombia

Research Focus & Metrics

Academic Career Length

8Years (2019-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 July 2020 in Radiologia
Verified
Journal Article
Closed access
SRS.Y. Rodríguez-Takeuchi
S.Y. Rodríguez-Takeuchi
GBG.P. Baena-Caldas
G.P. Baena-Caldas
JOJ.F. Orejuela-Zapata
J.F. Orejuela-Zapata
ASA.M. Granados Sánchez
A.M. Granados Sánchez

2 June 2022 in Radiología (English Edition)
Verified
Journal Article
Closed access
VMV. Mejía-Quiñones
V. Mejía-Quiñones
JVJaime Andres Valderrama
Jaime Andres Valderrama
SPStephania Paredes
Stephania Paredes
JOJ.F. Orejuela-Zapata
J.F. Orejuela-Zapata
AGA.M. Granados-Sánchez
A.M. Granados-Sánchez


1 September 2022 in Radiologia
Verified
Journal Article
Closed access
VMV. Mejía-Quiñones
V. Mejía-Quiñones
JVJaime Andres Valderrama
Jaime Andres Valderrama
SPStephania Paredes
Stephania Paredes
JOJ.F. Orejuela-Zapata
J.F. Orejuela-Zapata
AGA.M. Granados-Sánchez
A.M. Granados-Sánchez

28 March 2024 in Libros IC
Verified
Journal Article
Open access
PDF file
DADiego Alejandro Arturo Angulo
Diego Alejandro Arturo Angulo
GGGerónimo Petrel García
Gerónimo Petrel García
SPSantiago Moreno Pineda
Santiago Moreno Pineda
LGLaura Camila Puerta Gaviria
Laura Camila Puerta Gaviria
DRDaniel Solis Rios
Daniel Solis Rios
AVAndrés Mauricio González Vargas
Andrés Mauricio González Vargas
En los últimos años, el Machine Learning (ML) ha encontrado aplicación en diversas áreas del conocimiento debido a su capacidad para abordar problemas complejos. La medicina no es una excepción, ya que utiliza el ML para automatizar procesos como el diagnóstico y prediagnóstico de patologías. En este caso, se empleó esta herramienta para la clasificación de tipos de tejido mamario, siguiendo las categorías establecidas en el BI-RADS (acrónimo en inglés para Sistema de Datos e Informes de Imágenes Mamarias). Este sistema divide la densidad mamaria en cuatro clases: tejido mamario predominantemente graso, tejido mamario fibroglandular disperso, tejido mamario heterogéneamente denso y tejido mamario extremadamente denso. Esta clasificación reviste gran importancia, ya que, según el Centro para el Control y la Prevención de Enfermedades de la Organización Mundial de la Salud, las mujeres con mamas densas tienen un mayor riesgo de desarrollar cáncer de mama. Además, la densidad mamaria elevada puede dificultar la detección de cáncer en las mamografías. Por esta razón, es crucial clasificar el tipo de tejido mamario, pues permite identificar a las mujeres con mamas densas y tomar medidas diagnósticas oportunas. Para llevar a cabo esta clasificación, se evaluaron distintos métodos y modelos de ML con el objetivo de determinar cuál de ellos es el más adecuado para esta tarea.