Análisis del efecto de la variabilidad inter-paciente en la clasificación supervisada de tumores cerebrales usando imágenes hiper-espectrales. Mejora de prestaciones mediante algoritmos semi-supervisados

Abstract

En los últimos años, las imágenes hiperespectrales han supuesto un gran avance tecnológico en el campo de la medicina, debido a su carácter no invasivo y a que proporcionan información útil para el diagnóstico de enfermedades. Actualmente, el proyecto europeo HELICoiD, aplica técnicas avanzadas de clasificación de imágenes hiperespectrales para la detección de tumores cerebrales en tiempo real. El objetivo principal de este Trabajo Fin de Grado (TFG) es realizar un estudio de los diferentes escenarios propuestos que vienen definidos por la forma en la que se usan los conjuntos de datos de cada paciente en el proceso de clasificación supervisada, para analizar su variabilidad inter-paciente. Para esto, se hace uso de la herramienta software MATLAB, así como de la librería LIBSVM para la clasificación de los datos. El clasificador supervisado empleado es el SVM (Support Vector Machine). Por último, con el fin de realizar la evaluación de cada caso de estudio, se aplican cuatro métricas: la tasa de acierto o accuracy, la matriz de confusión, la separabilidad y finalmente, la sensibilidad. Posteriormente, con la finalidad de investigar como mejoraría la clasificación si se añaden muestras del propio paciente, se plantean dos métricas distintas. En la primera, se emplean los datos del paciente actual con etiquetas conocidas y en la segunda se realiza una generación automática de ellas. En este último proceso, se proponen tres métodos semi-supervisados denominados ss1, ss2 y ss3, en donde la principal diferencia es la forma de llevar a cabo el etiquetado de las muestras quirúrgicas de dicho paciente.