El análisis de estructuras biológicamente relevantes trae consigo diferentes problemas representativos, debido a los cambios que pueden surgir en un paciente a la hora de realizar procedimientos médicos necesarios para la determinación de algún tipo de anormalidad corporal, como puede ser los cambios en la respiración que llevan al mismo tiempo un aumento o disminución en la frecuencia cardíaca, también, cambios en el humor del paciente pueden generar ansiedad o algún otro tipo de anomalía, resultando así en múltiples estados en estructuras corporales complejas. Encontrar correspondencias entre diferentes formas complejas proveniente de mallas en 3D suele ser una tarea engorrosa, ya que no siempre es posible encontrar medidas de similaridad entre elementos en imágenes de resonancia magnética u otro estudio médico. Dado que encontrar correspondencias en estructuras biológicas aleatoriamente cambiantes de acuerdo a las circunstancias del sujeto, en este proyecto se propone una metodología para describir estructuras cerebrales basada en variational multiview unsupervised learning, el cuál al ser un aprendizaje no supervisado permite la búsqueda de variabilidad similar entre elementos no rígidos a pesar de que ocurran algunos cambios en ellos, también se incluye el uso de múltiples vistas como una estrategia para mejorar la forma en la que se observa y trata la información proveniente de imágenes de resonancia magnética facilitando así la extracción de características representativas y finalmente se aplica inferencia variacional, la cual permite el manejo de modelos bayesianos intratables computacionalmente usualmente requeridos en la creación de variables latentes, al inferir funciones de densidad de probabilidad simples sobre estos, aumentando la velocidad de convergencia del mismo y su grado de acierto. Los resultados para este método propuesto deberían de demostrar que bajo una perspectiva de múltiples vistas se pueden encontrar similaridades entre estructuras cerebrales determinadas y así poder ser fácilmente identificadas.
