Modelo de aprendizaje profundo para la segmentación y clasificación de imágenes médicas

Abstract

[Resumen]: El propósito principal de este Trabajo de Fin de Grado es desarrollar una arquitectura avanzada que emplea tres modelos de redes neuronales convolucionales para abordar el desafío LUNA16 sobre la detección de nódulos pulmonares en imágenes médicas. Esta arquitectura se divide en dos partes fundamentales: segmentación y clasificación. En lo que respecta a la segmentación, se implementará un modelo único inspirado en la estructura de U-Net. Este modelo recibirá las tomografías computarizadas en tres dimensiones para generar un conjunto de imágenes binarias en las que se destacarán los nódulos. Por otro lado, la parte de clasificación se subdivide en dos enfoques: uno tridimensional y otro bidimensional. Cada uno de estos enfoques utiliza dos modelos. El primero se encarga de clasificar los candidatos obtenidos de las imágenes binarias generadas por el modelo de segmentación para identificar la presencia de nódulos, mientras que el segundo tiene la tarea de categorizar los nódulos detectados como benignos o malignos. Es importante destacar que la prioridad es detectar el mayor número de nódulos posible, lo que puede llevar a la aparición de falsos positivos. Sin embargo, se busca alcanzar un equilibrio óptimo entre la detección de nódulos y la minimización de los falsos positivos.

[Abstract]: The main purpose of this Final Degree Project is to develop an advanced architecture that employs three convolutional neural network models to address the LUNA16 challenge on lung nodule detection in medical images. This architecture is divided into two fundamental parts: segmentation and classification. Regarding segmentation, a unique model inspired by the U-Net structure will be implemented. This model will receive the three-dimensional computed tomography to generate a set of binary images in which the nodules will be highlighted. On the other hand, the classification part is subdivided into two approaches: one three-dimensional and one two-dimensional. Each of these approaches uses two models. The first one is in charge ofclassifying the candidates obtained from the binary images generated by the segmentation model to identify the presence of nodules, while the second one has the task of categorizing the detected nodules as benign or malignant. It is important to note that the priority is to detect as many nodules as possible, which may lead to the occurrence of false positives. However, an optimal balance between detecting nodules and minimizing false positives is sought.