La fracción de eyección ventricular es el parámetro ecocardiográfico utilizado para evaluar la función cardiaca (Moya, et al. 2023), aún cuando su sensibilidad es considerada como baja y su estimación depende de los momentos del ciclo específicos para calcular la carga del volumen de sangre. Recientemente, el análisis de la deformación miocárdica ha mostrado una sensibilidad superior para evaluar la función regional del miocardio y cuantificar la velocidad de la contracción, mientras que el deterioro temprano de la función cardíaca se ha reportado estimando la deformación global del corazón en la dirección longitudinal. Aunque estos métodos estiman la capacidad contráctil del corazón de forma global y regional, todavía no capturan el patrón temporal del trabajo cardíaco, cuya importancia ha venido creciendo por cuanto los indicadores actuales de la función cardíaca, como la fracción de eyección, son inconsistentes en muchos escenarios clínicos en los cuales estos indicadores se reportan como normales, en cuadros manifiestamente patológicos, o se ven alterados en condiciones sin patología, probablemente una consecuencia de la cantidad de mecanismos de adaptación de este órgano a múltiples condiciones de carga. Por estas razones, la aproximación de la función cardíaca como la relación de carga en momentos específicos del ciclo sesga la evaluación e introduce errores de juicio en el manejo de un paciente. En contraste, la variación de las condiciones de carga asociadas con el trabajo cardíaco durante el ciclo completo produce una comprensión más precisa de la condición patológica y una categorización más fina de la enfermedad. Este proyecto propone una aproximación más precisa del trabajo cardíaco al estimar la coherencia temporal de los diferentes segmentos del miocardio seguidos durante ciclos completos. La idea fundamental es segmentar el miocardio en la imagen ecocardiográfica de dos cámaras durante varios ciclos, dividir la estructura en partes anatómicas asociadas a una función independiente, capturar el movimiento de cada una de ellas y describir su composición, y diseñar una medida de deformación temporo-espacial entre los diferentes segmentos. Temporal porque cada región estará descrita por la deformación de cada una de las partes del miocardio durante el ciclo cardíaco y espacial porque cada parte estará caracterizada con diferentes indicadores que capturan los cambios de los patrones locales durante el ciclo. En principio esta aproximación modela las complejas relaciones presión-volumen que efectivamente describen la eficiencia del sistema cardiovascular. La coherencia de los patrones temporo-espaciales se correlacionará con diferentes patologías y se aprenderá, con técnicas de inteligencia artificial, una métrica que separe apropiadamente las diferentes categorías asociadas a cualquiera de los trastornos en evaluación. En este marco de trabajo, la calidad de los videos resulta fundamental para asegurar que las segmentaciones de las cavidades cardiacas y del miocardio circundante sean adecuadas. La exploración de videos de ecocardiografía mediante técnicas avanzadas computacionales, debido al ruido asociado con estos videos, requiere de la preparación adecuada de los datos para cualquier análisis posterior. Por esta razón se plantea la necesidad de mejorar la calidad de los videos usando métodos basados en algoritmos generativos de difusión. Adicionalmente, para aplicar algoritmos basados en aprendizaje profundo (deep learning) se requiere de conjuntos de datos con cantidades considerables para evitar sobreajuste (overfitting) del modelo. En general es muy difícil conseguir el número suficiente de casos para construir colecciones de datos de la magnitud requerida. Una forma de mitigar esta limitación consiste en construir variaciones de los datos de la colección para aumentar el número de ejemplos disponibles, una estrategia ampliamente usada con este tipo de algoritmos.