Mejoras en la detección, localización y segmentación automática de pólipos colorrectales basadas en técnicas de aprendizaje profundo
- Sánchez Peralta, Luisa Fernanda
- J. Blas Pagador Carrasco Director/a
- Artzai Picón Ruiz Codirector/a
Universidad de defensa: Universidad de Extremadura
Fecha de defensa: 17 de noviembre de 2021
- Antonio Plaza Presidente/a
- Miguel Fernández Bermejo Secretario/a
- Estíbaliz Garrote Contreras Vocal
Tipo: Tesis
Resumen
El cáncer colorrectal es una de las principales causas de muerte en países desarrollados, siendo la detección precoz la principal estrategia para reducir su incidencia, ya que la tasa de supervivencia aumenta si el cáncer se detecta en fase inicial. La colonoscopia es la técnica diagnóstica habitual para la detección y tratamiento de pólipos colorrectales. En los últimos años, los sistemas de inteligencia artificial basados en aprendizaje se han aplicado con gran éxito en tareas relacionadas con la visión por ordenador en las que se cuenta con volúmenes ingentes de datos. De igual manera, el aprendizaje profundo ha comenzado a aplicarse en el ámbito médico, donde ha llegado a obtener resultados comparables a los obtenidos por expertos clínicos. No obstante, presenta un problema general que radica en la cantidad limitada de información disponible. El objetivo principal de esta tesis es mejorar la detección, localización y segmentación automática de pólipos colorrectales aplicando tecnologías de aprendizaje profundo. Para ello, se han analizado las necesidades clínicas y se ha realizado una revisión sistemática para contextualizar el estado del arte de dichos métodos. Posteriormente se ha realizado un análisis de diferentes transformaciones y rangos para la estrategia de aumento de datos y se ha propuesto una nueva función de pérdida, eigenloss, basada en un análisis de componentes principales. Se ha creado también un conjunto de datos de acceso abierto con 3.433 imágenes manualmente segmentadas y puestas a disposición de la comunidad científica, junto con una comparativa de diferentes modelos y conjuntos de datos.