Year: 2024
Type: dissertation
Abstract: Las redes neuronales artificiales constituyen una herramienta altamente atractiva en el campo de la medicina, a pesar de sus limitaciones, dado que han demostrado ser efectivas y suficientemente versátiles en diversas tareas de clasificación. Este atractivo se intensifica en su aplicación en el diagnóstico de enfermedades oncológicas, ya que cualquier mejora en la detección temprana de estas enfermedades resulta en un aumento de su tasa de supervivencia. En este trabajo se ha llevado a cabo la implementación de diversas técnicas de clasificación de imágenes pulmonares para la detección de tumores. En concreto se han implementado 4 modelos: una red neuronal artificial, una red neuronal convolucional, una red neuronal siamesa y un clasificador bayesiano ingenuo. Estos han sido aplicados en la detección de tumores en imágenes de radiografías y tomografía computarizada con el objetivo de realizar una comparación entre los modelos y entre las imágenes, con el fin de determinar, por un lado, qué modelo destaca en esta tarea y, por otro, cuál de las dos pruebas es más adecuada para la detección de tumores pulmonares. De igual manera, también se propone un método para el cálculo de la entropía de un conjunto de imágenes, lo que permite dar una noción de complejidad de las mismas, y realizar una comparación a priori entre la clasisifación de radiografías y tomografías, con el objetivo de determinar cuál de las dos tareas es más compleja. Los resultados obtenidos indican una mayor dificultad de la tarea de clasificación de radiografías en comparación con la de tomografías. Esta diferencia se refleja tanto en los resultados del método propuesto como en los modelos implementados. Además, se evidencia la superioridad del modelo convolucional en la clasificación de ambos conjuntos de imágenes, así como, nuevamente, la mayor facilidad de clasificación en las tomografías computarizadas. ABSTRACT Artificial neural networks constitute a highly atractive tool for the medical field, despite their limitations, since they have proven to be effective and versatile enough in various classification tasks. This appeal is further enhanced in its application in the diagnosis of oncological diseases, as any improvement in the early detection of these diseases results in an increase on their survival rate. In this work, various classification techniques have been implemented for the detection of pulmonary tumours. Specifically 4 models have been developed: an artificial neural network, a convolutional neural network, a siamese neural network and a naive bayes classifier. These models have been applied to the detection of tumours in Xray and computed tomography images with the aim of comparing both the models and the images, in order to determine, on the one hand, which model excels in this task and, on the other hand, which of the two tests is more suitable for the detection of pulmonary tumours. Similarly, a method for calculating the entropy of a set of images is also proposed, which provides an indication of their complexity and allows for an a priori comparison between the classification of X-rays and CT scans, with the aim of determining which of the two tasks is more complex. The results obtained show a greater difficulty in the task of classifying X-rays compared to CT scans. This difference is reflected both in the results of the proposed method and the implemented models. Furthermore, the superiority of the convolutional model in the classification of both sets of images is evidenced, as well as, once again, the grater ease of classification in computed tomography scans.
Author: Troyano Olivas, Álvaro
Language: English
Topic: AI in cancer detection
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7034448415