Diseño de un sistema basado en máquinas de vectores soporte para la detección de tumores cerebrales mediante imágenes hiperespectrales

Lozano Almagro, Rocío (2019). Diseño de un sistema basado en máquinas de vectores soporte para la detección de tumores cerebrales mediante imágenes hiperespectrales. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. y Sistemas de Telecomunicación (UPM), Madrid.

Description

Title: Diseño de un sistema basado en máquinas de vectores soporte para la detección de tumores cerebrales mediante imágenes hiperespectrales
Author/s:
  • Lozano Almagro, Rocío
Contributor/s:
  • Juárez Martínez, Eduardo
Item Type: Final Project
Degree: Grado en Ingeniería de Sonido e Imagen
Date: 23 July 2019
Subjects:
Freetext Keywords: Imágenes hiperespectrales; Medicina de precisión
Faculty: E.T.S.I. y Sistemas de Telecomunicación (UPM)
Department: Ingeniería Telemática y Electrónica
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (9MB) | Preview

Abstract

Las imágenes hiperespectrales aportan información con una gran resolución espacial y espectral simultáneamente con una técnica no invasiva. La información espectral ocupa miles de bandas contiguas que van desde el espectro visible hasta el infrarrojo cercano. Estas imágenes se usan en la agricultura, ámbitos militares, en la pintura, pero sobre todo son muy útiles en la medicina, siendo su principal uso en la detección de distintos tipos de cáncer, ya que permiten distinguir materiales en función de su firma espectral. Uno de los inconvenientes que presentan estas imágenes es el gran volumen de datos que contienen, lo que dificulta su análisis y, por tanto, los requisitos computacionales son muy altos. Este Proyecto Fin de Grado se centra en el desarrollo de un método que permita el uso de imágenes hiperespectrales durante el transcurso de una operación de tumor cerebral, para ayudar al cirujano a delimitar el tejido cancerígeno que tiene que extirpar. Para ello, se propone el uso de un algoritmo de aprendizaje de máquina supervisado, SVM (Máquina de Vectores Soporte). La ventaja que presenta este algoritmo es su robustez, la sencillez de los modelos y la buena generalización para nuevos datos. Entonces, como el análisis de las imágenes hiperespectrales es costoso en tiempo y se quieren estar usando durante el transcurso de una intervención quirúrgica, se propone utilizar la información obtenida en operaciones anteriores, junto con muestras que se obtienen del paciente actual, en la operación que se está realizando, para obtener un modelo que se pueda utilizar en la cirugía actual. Para ello se diseñan tres métodos: el método inicial, el método global y el incremental. Estos tres métodos se evalúan siguiendo el criterio de la precisión. Por lo tanto, como el método inicial no produce buenas precisiones, se diseñan una serie de experimentos para evaluar cuál de los otros dos métodos da mayores precisiones, el global o el incremental. Estos dos métodos utilizan SVM con validación cruzada y para su implementación se utiliza mcpIncSVM que es un paquete para MATLAB que permite el aprendizaje SVM incremental con soporte multiclase y salida probabilística. Tras evaluar los resultados obtenidos de los experimentos diseñados para estos dos métodos, se concluye que, si las imágenes usadas para generar el modelo tienen firmas espectrales similares entre sí, se obtienen mejores resultados. También se concluye que no es necesario utilizar toda la información capturada en la imagen hiperespectral del paciente, con un 20% de los datos de la ground truth ya se alcanzan precisiones razonables. Esto se debe a que la exactitud de la precisión depende de la calidad de los datos etiquetados. Hay datos etiquetados que no contienen características significativas para la clasificación, por eso se realiza la validación cruzada y se utiliza una distribución uniforme aleatoria para generar las imágenes que se emplean en la generación del modelo. Abstract: Hyperspectral images provide information with high spatial and spectral resolution simultaneously with a non-invasive technique. Spectral information occupies thousands of contiguous bands ranging from the visible spectrum to the near infrared. These images are used in agriculture, military fields, painting, but above all they are very useful in medicine, being their main use in the detection of different types of cancer, since they allow to distinguish materials according to their spectral signature. One of the disadvantages of these images is the large volume of data they contain, which makes their analysis difficult and, therefore, the computational requirements are very high. This Diploma Degree focuses on the development of a method that allows the use of hyperspectral images during the course of a brain tumour operation, to help the surgeon delimit the cancerous tissue that has to be removed. To achieve it, the use of a supervised machine learning algorithm, SVM (Support Vector Machine), is proposed. The advantage of this algorithm is its robustness, the simplicity of the models and the good generalization for new data. Therefore, since the analysis of hyperspectral images is costly in time and they want to be employed during the course of an operation, it is proposed to use the information obtained in previous operations, together with samples obtained from the current patient, in the operation being performed, to make a model that can be used in the current operation. For this purpose, three methods are designed: the initial method, the global method and the incremental method. These three methods are evaluated according to the criterion of precision. Therefore, as the initial method does not produce good precision, a series of experiments are designed to evaluate which of the other two methods gives greater precision, the global or the incremental. These two methods use cross-validated SVM and are implemented using mcpIncSVM which is a MATLAB package that enables incremental SVM learning with multiclass support and probabilistic output. After evaluating the results obtained from the experiments designed for these two methods, it is concluded that, if the images used to generate the model have similar spectral signatures to each other, better results are obtained. It is also concluded that it is not necessary to use all the information captured in the patient's hyperspectral image. In fact, with 20% of the ground truth data it is possible to reach reasonable accuracies. This is because the accuracy depends on the quality of the tagged data. There are tagged data that do not contain significant characteristics for classification. Therefore, cross validation is performed, and a random uniform distribution is used to create the images that are employed in the generation of the model.

Funding Projects

TypeCodeAcronymLeaderTitle
FP7FP7-ICT-2013.9.2HELICoiDUniversidad Politécnica de MadridProyecto HELICoiD: detección de tumores cerebrales mediante imágenes hiperespectrales

More information

Item ID: 56923
DC Identifier: http://oa.upm.es/56923/
OAI Identifier: oai:oa.upm.es:56923
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 17 Oct 2019 06:30
Last Modified: 17 Oct 2019 06:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM