Comparativa de Técnicas de Preprocesamiento y Entrenamiento para Detección de Hemorragias Intracraneales
Fecha:
22/02/2020Palabra clave:
aprendizaje profundo; análisis de imagen médica; hemorragia intracraneal; preprocesamiento de imagen; redes neuronales convolucionales; deep learning; medical image analysis; intracranial hemorrhage; image preprocessing; convolutional neuronal networks; Máster Universitario en Inteligencia Artificial
Tipo de Ítem:
masterThesis
Resumen:
En las últimas dos décadas, el mundo de la medicina está teniendo un notable interés por el
uso del procesamiento de imágenes con Inteligencia Artificial para la detección de numerosas
enfermedades y lesiones que tienen lugar en el ser humano. Específicamente, las técnicas de
Machine Learning y Deep Learning han dejado ver sus bondades para ayudar a reducir el
error humano y apoyar a que los diagnósticos sean más acertados de los que se obtienen a
través de métodos tradicionales tratando de encontrar patrones ocultos dentro de las
imágenes a procesar. En este Trabajo de Fin de Máster, se aplican diferentes técnicas de
preprocesamiento de imágenes y algoritmos de entrenamiento para la detección e
identificación de distintos tipos de Hemorragias Intracraneales (ICH) a través de tomografías
computarizadas (TC). Todo esto se implementa en un escenario experimental con el objetivo
de conocer qué técnica y algoritmo ofrece un mejor resultado. Los resultados demuestran que
el uso de redes neuronales convolucionales, técnicas de preprocesado como Windowing y el
empleo de métodos de balanceo de datos permiten elaborar modelos bastante precisos con
resultados que superan, incluso, trabajos de referencia de la actualidad. El modelo con mejor
resultado logra valores > 0.91% en F1 Score y de >96% en exactitud de media en todos los
subtipos. Este modelo es capaz de clasificar correctamente con unos niveles altos de
precision pudiendo llegar a ser un sistema de soporte para médicos y radiólogos en hospitales.
Descripción:
In the last two decades, the medical world has been taking a remarkable interest in the use of
image processing with Artificial Intelligence for the detection of numerous diseases and injuries
that occur in humans. Specifically, the techniques of Machine Learning and Deep Learning
have shown their benefits to reduce human error and support more accurate diagnoses than
those obtained through traditional methods by trying to find hidden patterns within the images
to be processed. In this Master's Thesis, different image pre-processing techniques and
training algorithms are applied for the detection and identification of different types of
Fernando Arroyo Rubio Máster Universitario en Inteligencia Artificial
5
Sistema Artificial para la Detección de Hemorragias Intracraneales
Intracreneal Hemorrhage (ICH) through computed tomography (CT). All this is implemented in
an experimental setting with the aim of knowing which technique and algorithm offers the best
result. The results show that the use of convolutional neural networks, pre-processing
techniques such as Windowing and the use of data balancing methods allow the elaboration
of quite precise models with results that surpass even current reference works. The best
performing model achieves values > 0.91% in F1 Score and >96% in average accuracy for all
subtypes. This model can classify ICH and its subtype with a high-level accuracy and can
become a support system for physicians and radiologists in hospitals.
Ficheros en el ítem
