Comparativa de Técnicas de Preprocesamiento y Entrenamiento para Detección de Hemorragias Intracraneales

Abstract

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.