Baculima Suárez , José AntonioBravo Fernández, Mateo JosuéAlvarado Gutiérrez, Carlos Andrés2026-04-152026-04-152026Bravo Fernández, M. y Alvarado Gutiérrez, C. (2026). Implementación de un microservicio escalable para el análisis automatizado de cáncer cerebral en imágenes de resonancia magnética mediante arquitectura de contenedores. [Proyecto de titulación]. Universidad Católica de Cuenca.7B-2026-SW-10https://dspace.ucacue.edu.ec/handle/ucacue/21729El presente trabajo propone e implementa una arquitectura de microservicios para la operacionalización de modelos preentrenados de segmentación de tumores cerebrales en imágenes médicas. Si bien numerosos estudios se centran en el desempeño algorítmico de modelos de aprendizaje profundo, existe una brecha entre su validación experimental y su integración en sistemas técnicamente desplegables. En este contexto, se desarrolló un microservicio capaz de integrar modelos de inteligencia artificial preentrenados para el área de la salud, permitiendo su ejecución en distintos entornos de hardware. El estudio se enfocó en la evaluación del desempeño computacional del sistema, considerando métricas como latencia de inferencia, consumo de memoria y utilización de GPU bajo diferentes configuraciones. Los resultados evidencian una dependencia significativa de la aceleración por hardware en modelos que evalúan imágenes tridimensionales, así como variaciones en los tiempos de respuesta según el entorno de ejecución. La propuesta contribuye a cerrar la brecha entre modelos experimentales y sistemas desplegables, validando la viabilidad técnica de su integración en una arquitectura modular, desacoplada y potencialmente escalable. No se abordó validación clínica directa, delimitando el alcance a la evaluación computacional y estructural del sistema.This study proposes and implements a microservices architecture for deploying pre-trained brain tumor segmentation models in medical imaging. While numerous studies focus on the algorithmic performance of deep learning models, a gap remains between their experimental validation and their integration into technically deployable systems. In this context, a microservice was developed to integrate pre-trained artificial intelligence models into the healthcare sector, enabling their execution across different hardware environments. The study focused on evaluating the system’s computational performance, considering metrics such as inference latency, memory consumption, and GPU utilization under different configurations. The results demonstrate a significant reliance on hardware acceleration for models that process three-dimensional images, as well as variations in response times depending on the execution environment. The proposal helps to bridge the gap between experimental models and deployable systems by validating the technical feasibility of integrating them into a modular, decoupled, and potentially scalable architecture. Direct clinical validation was not addressed, limiting the scope to the computational and structural evaluation of the system.application/pdf97 páginasspainfo:eu-repo/semantics/openAccessAtribución 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/deed.esARQUITECTURA DE CONTENEDORESMICROSERVICIOSDESPLIEGUE DE MODELOS DE IADESEMPEÑO COMPUTACIONALMLOPSinfo:eu-repo/semantics/bachelorThesis