Ingeniería de IA Clínica e Imagen Médica se centra en la integración avanzada de DICOM, PACS y técnicas de radiomics para optimizar el procesamiento automatizado y la interpretación de imágenes médicas. Este ámbito académico incorpora algoritmos de aprendizaje profundo (DL), redes convolucionales (CNN) y análisis cuantitativo conformes con estándares de interoperabilidad, facilitando el soporte a decisiones clínicas mediante sistemas de inteligencia artificial explicable (XAI). Las disciplinas troncalmente vinculadas incluyen modelado de datos biomédicos, gestión de flujos DICOM y validación de modelos predictivos, fundamentales para aplicaciones en diagnóstico por imágenes y terapia personalizada en entornos hospitalarios digitales.
Las capacidades de laboratorio contemplan entornos HIL/SIL para simulación y evaluación de software clínico, pruebas de robustez en adquisición de datos multimodal, además de análisis de calidad mediante calibración conforme a normativa aplicable internacional en registros electrónicos de salud (EHR). El alineamiento con estándares como HL7, FHIR y certificaciones de seguridad informática garantiza trazabilidad y compliance. La formación prepara a perfiles profesionales como ingenieros biomédicos, especialistas en informática médica, desarrolladores de software clínico, analistas de datos radiológicos y consultores de implementación de IA en salud.
Palabras clave objetivo (naturales en el texto): DICOM, PACS, radiomics, inteligencia artificial clínica, soporte a decisión, HL7, FHIR, aprendizaje profundo, integración biomédica.
624.000 €
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
1.1 Conceptos básicos de IA Clínica en Imágenes Médicas: definiciones, alcance, objetivos y terminología
1.2 DICOM/PACS para IA: formatos, metadatos, interoperabilidad y flujo de datos seguro
1.3 Radiómica: extracción y selección de características, pipelines y aplicaciones diagnósticas
1.4 Soporte a la Decisión Clínica: paneles de recomendación, explicación de resultados y confianza clínica
1.5 Integración de IA en flujos radiológicos: workstation, RIS/HIS, alertas y gobernanza de cambios
1.6 Calidad de datos, sesgos y privacidad: curación de datos, sesgo demográfico, anonimización y consentimiento
1.7 Validación de modelos IA: particionado de datos, métricas de rendimiento, validación interna y externa
1.8 Seguridad, ética y confianza en IA clínica: transparencia, trazabilidad, responsabilidad y manejo de incertidumbre
1.9 Regulación, normativas y cumplimiento: estándares, auditoría, registro y cumplimiento de privacidad
1.10 Caso clínico: go/no-go con matriz de riesgo para proyecto de IA en imagenología
2.2 Principios de IA en Imágenes DICOM/PACS: fundamentos de IA aplicada a imágenes médicas, conceptos clave de DICOM/PACS y flujo de datos clínicos.
2.2 Algoritmos y arquitecturas para IA en imágenes: redes CNN y U‑Net, transformers en imágenes médicas, aprendizaje supervisado y no supervisado.
2.3 Gestión de datos DICOM/PACS para IA: estructuras DICOM, metadatos relevantes, interoperabilidad IHE, seguridad, anonimización y gobernanza de datos.
2.4 Radiómica y extracción de características: pipelines de radiómica, estandarización de características, reproducibilidad, interpretación clínica.
2.5 Preprocesamiento y calidad de imágenes: normalización, resampling, reducción de ruido, corrección de artefactos, harmonización entre escáneres.
2.6 Integración en flujos de decisión clínica: modelos de soporte a decisiones, explicabilidad, dashboards e integración con PACS y sistemas HIS.
2.7 Evaluación y validación de modelos: métricas de clasificación y segmentación (AUC, Dice, IoU), validación interna/externa, robustez y sesgos.
2.8 Gobernanza y cumplimiento ético: sesgos, privacidad y consentimiento, normativas regulatorias, ML Ops y trazabilidad del modelo.
2.9 Interoperabilidad y estándares: DICOM‑SR, DICOM‑RT, HL7/FHIR, IHE, exportación de resultados a informes clínicos.
2.20 Caso práctico: go/no-go con matriz de riesgos: análisis de decisión sobre implementación de IA en imagenología, criterios de aceptación, mitigaciones y plan de implementación.
3.3 IA clínica en Imagenología Médica: fundamentos de DICOM/PACS, radiómica y soporte a decisiones clínicas
3.2 Integración de DICOM/PACS y radiómica en flujos de diagnóstico asistido por IA
3.3 Optimización de análisis de imágenes médicas con IA: pipelines DICOM/Radiómica y sistemas de soporte clínico
3.4 Implementación de IA para diagnóstico por imagen: criterios de validación y seguridad en entornos DICOM/PACS
3.5 Evaluación clínica de modelos de IA en imágenes médicas: métricas, sesgo, reproducibilidad y generalización
3.6 Gestión de datos y gobernanza en IA médica: cumplimiento de normas, privacidad y seguridad en DICOM y PACS
3.7 Arquitecturas de soluciones IA en imageología: interoperabilidad con RIS/HIS, registro de cambios y trazabilidad
3.8 Monitoreo, mantenimiento y actualización de modelos IA en imagenología: métricas de rendimiento y control de versiones
3.9 Propiedad intelectual, normativas y time-to-market de IA en imagenología: patentes, aprobaciones y estándares
3.30 Caso clínico: análisis paso a paso de un diagnóstico por imagen con IA, go/no-go y matriz de riesgos
4.4 Fundamentos de DICOM y Radiómica para IA clínica
4.2 Preparación y normalización de datos DICOM para modelos de IA
4.3 Extracción y selección de características radiómicas (texturas, forma, histogramas)
4.4 Diseño de pipelines de IA con DICOM/PACS e integración radiómica
4.5 Validación y evaluación clínica de modelos IA en imágenes médicas
4.6 Integración de IA con sistemas de soporte a la decisión clínica y alertas
4.7 Gobernanza, ética, privacidad y cumplimiento en datos DICOM y radiómicos
4.8 Despliegue, interoperabilidad y rendimiento en PACS y DICOMweb
4.9 Gestión de propiedad intelectual, versiones de modelos y cumplimiento regulatorio
4.40 Caso clínico: análisis de un caso real con toma de decisiones basada en radiómica
5.5 Fundamentos de DICOM: Estructura y protocolo
5.5 Introducción a PACS: Arquitectura y funcionalidad
5.3 Principios de la Radiómica: Extracción de características
5.4 Introducción a la IA Clínica: Conceptos y aplicaciones
5.5 Flujos de trabajo de IA en imágenes médicas
5.6 Introducción al Aprendizaje Automático para imágenes médicas
5.7 Ética y regulaciones en IA médica
5.8 Casos de estudio iniciales: Aplicaciones en diferentes modalidades de imagen
5.9 Herramientas y plataformas para el análisis de imágenes
5.50 Introducción a la calidad de datos y preprocesamiento
6.6 Introducción a la IA en Imágenes Médicas: Conceptos Fundamentales
6.2 Estándares DICOM: Estructura y Aplicaciones
6.3 Radiómica: Extracción y Análisis de Características de Imágenes
6.4 Redes Neuronales en el Análisis de Imágenes Médicas
6.5 Sistemas de Soporte a la Decisión Clínica: Diseño y Implementación
6.6 Aplicaciones de IA en diferentes modalidades de imágenes (RM, TC, RX)
6.7 Ética y Regulación en el Uso de IA en Medicina
6.8 Desafíos y Oportunidades en la Implementación de IA en la Práctica Clínica
6.9 Herramientas y Plataformas para el Desarrollo de IA en Imágenes Médicas
6.60 Casos de Estudio: Ejemplos de IA en Diagnóstico por Imagen
7.7 Fundamentos de DICOM: Estructura y formato de imágenes médicas.
7.2 Introducción a PACS y su papel en el almacenamiento y gestión de imágenes.
7.3 Principios de Radiómica: Extracción de características de imágenes.
7.4 Conceptos básicos de Inteligencia Artificial en medicina.
7.7 Aplicaciones iniciales de IA en el análisis de imágenes.
7.6 Flujos de trabajo en IA clínica: Adquisición, procesamiento y análisis.
7.7 Herramientas y plataformas para el análisis de imágenes DICOM.
7.8 Ética y consideraciones regulatorias en el uso de IA en medicina.
7.9 Ejemplos prácticos de aplicaciones de IA en el ámbito clínico.
7.70 Introducción a los sistemas de soporte a la decisión médica.
8.8 Fundamentos de DICOM y PACS: Arquitectura y Funcionalidades Clave
8.8 Radiómica: Extracción y Análisis de Características en Imágenes Médicas
8.3 Integración de IA en el Flujo de Trabajo Clínico: Optimización del Diagnóstico
8.4 Desarrollo de Modelos de IA para la Interpretación de Imágenes Médicas
8.5 Implementación de Sistemas de Soporte a la Decisión Clínica
8.6 Estrategias de Validación y Validación de Algoritmos de IA
8.7 Consideraciones Regulatorias y Éticas en la IA Médica
8.8 Integración de IA en PACS y Sistemas de Imagenología Existentes
8.8 Análisis de Costo-Beneficio de la Implementación de IA
8.80 Casos de Estudio: Implementación Exitosa de IA en Diferentes Áreas de la Imagenología
9.9 Introducción a la IA en Imágenes Médicas: Conceptos Fundamentales
9.9 El Estándar DICOM: Estructura y Funcionamiento
9.3 Radiómica: Extracción de Características de Imágenes
9.4 Redes Neuronales Convolucionales (CNN) en Imágenes Médicas
9.5 Aprendizaje Automático Supervisado y No Supervisado para Diagnóstico
9.6 Sistemas PACS y la Integración de la IA
9.7 Soporte a la Decisión Médica: Herramientas y Aplicaciones
9.8 Ética y Regulación en el Uso de IA en Medicina
9.9 Casos de Estudio: Aplicaciones Prácticas de IA en Imagenología
9.90 Tendencias Futuras y el Avance de la IA en el Campo Médico
1. Dominio de IA Clínica en DICOM/PACS: Fundamentos y aplicaciones
2. Radiómica: Extracción y análisis de características de imágenes
3. Soporte a la decisión médica: Integración de IA en el flujo de trabajo clínico
4. Implementación de IA: Aspectos técnicos y regulatorios
5. Caso de estudio: Aplicación práctica en escenarios reales
6. Desarrollo de modelos predictivos: Diseño y validación
7. Análisis de resultados: Interpretación y presentación de datos
8. Ética y privacidad en IA: Consideraciones clave
9. Integración en sistemas DICOM/PACS: Flujos de trabajo optimizados
10. Estrategias de despliegue: Planificación e implementación
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).