Pérez Gallego, Silvia2025-10-032025-10-032025-09Pérez Gallego, Silvia. Trabajo Fin de Máster: "Generación de datos sintéticos mediante Redes Generativas Adversarias (GANs) para la evaluación automatizada del Test De la Figura Compleja de Rey-Osterrieth". Universidad Nacional de Educación a Distancia (UNED), 2025https://hdl.handle.net/20.500.14468/30318This Masterś Thesis explores the application of Generative Adversarial Networks (GANs) for the generation of synthetic data in the Rey-Osterrieth Complex Figure (ROCF) test. The main objective is to mitigate the scarcity of real data, which currently limits the training of artificial intelligence models aimed at the automatic evaluation of this neuropsychological test. For this purpose, StyleGAN2-ADA was employed, an architecture particularly suitable for scenarios with small datasets. The experiment was conducted using a dataset of only 428 images in total, within a conditional and imbalanced setting. The results reveal significant limitations: low intra-class diversity, limited semantic preservation, and bias toward majority classes. However, it was observed that the model partially captured the ordinal structure of the scoring system, generating images that, as the class value increased, tended to more closely resemble the original Rey-Osterrieth figure. In conclusion, although the results show constraints in fidelity and variability, the proposal confirms the feasibility of GANs as a data augmentation strategy in this domain. Future work includes assessing the impact of synthetic data on automatic scoring models, exploring transfer learning techniques to enhance generation quality, and applying the methodology to other clinical tests with limited data availability.Este Trabajo de Fin de Máster estudia la aplicación de redes generativas adversarias (GANs) para la generación de datos sintéticos en el Test de la Figura Compleja de Rey-Osterrieth (ROCF). El objetivo principal es paliar la escasez de datos reales que limita el entrenamiento de modelos de inteligencia artificial destinados a la evaluación automática de esta prueba neuropsicológica. Para ello se ha utilizado StyleGAN2-ADA, una arquitectura adecuada para escenarios con conjuntos de datos reducidos. El experimento se desarrolló con un dataset de tan solo 428 imágenes en total, en un entorno condicional y desbalanceado. Los resultados muestran limitaciones importantes: baja diversidad intraclase, preservación semántica limitada y sesgo hacia clases mayoritarias. Sin embargo, se observó que el modelo logró reflejar parcialmente la estructura ordinal de las puntuaciones, generando imágenes que, conforme aumentaba la clase, tendían a asemejarse más a la figura original de Rey-Osterrieth. En conclusión, aunque los resultados presentan restricciones en fidelidad y variabilidad, la propuesta confirma la viabilidad de las GANs como estrategia de aumento de datos en este dominio. Como líneas futuras se plantea evaluar el impacto de los datos sintéticos en modelos de puntuación automática, explorar técnicas de transfer learning para mejorar la calidad de las generaciones y aplicar la metodología a otras pruebas clínicas con disponibilidad reducida de datos.esinfo:eu-repo/semantics/openAccess1203.17 Informáticatesis de maestríaPérez Gallego, Silvia.