Resumen:
Las imágenes hiperespectrales surgen como una extensión de la espectroscopia, la cual nace en el siglo XIX con el fin de determinar las características espectrales de distintos materiales. La aplicación de este tipo de imágenes a la ciencia, ha supuesto grandes avances en diferentes disciplinas como la mineralogía, la agricultura o la física. En particular, y gracias a no ser una tecnología intrusiva, ha demostrado ser de gran ayuda en el campo de la medicina. Gracias a la unión de estas imágenes con algoritmos de aprendizaje supervisado, es posible llevar a cabo diferentes tareas de clasificación complejas de forma rápida y eficaz. En el caso de la agricultura, se ha empleado para clasificar los tipos de vegetación y extraer información de los cultivos que el ojo humano no puede capturar con tanta facilidad. Por otro lado, en otras áreas como la medicina, se ha empleado para distinguir entre tejido sano y patológico facilitando un diagnóstico más preciso y rápido.
Este trabajo se centra en la influencia de la calidad del enfoque en las imágenes hiperespectrales para la clasificación de tumores cerebrales mediante algoritmos de aprendizaje supervisado. Para evaluar si la calidad del enfoque es de gran importancia a la hora de obtener diagnósticos fiables, se han realizado experimentos en el laboratorio del CITSEM con escenarios de prueba simulados para posteriormente aplicar las técnicas a imágenes reales de pacientes.
Estos experimentos consisten en evaluar el comportamiento de dos algoritmos de aprendizaje supervisado (Random Forest y Support Vector Machine) frente a imágenes hiperespectrales enfocadas y desenfocadas, viendo cómo responden a cada tipo de imagen. Para poder distinguir entre estos dos tipos de imágenes, se ha empleado un algoritmo que mide la calidad de enfoque de las imágenes hiperespectrales (Cumulative probability Blur Detection) junto con otro algoritmo que muestra de manera visual las regiones enfocadas de la imagen (Local binary pattern).
Para evaluar el comportamiento de los algoritmos de aprendizaje supervisado se han empleado dos métodos. Por un lado, se han utilizado tres métricas de clasificación (Precisión, sensibilidad y F1-Score) para obtener unos resultados objetivos acerca del rendimiento de los algoritmos. Por otra parte, para obtener unos resultados visuales se han empleado los mapas de clasificación binarios y de probabilidad.
El análisis de los resultados mostró que las imágenes enfocadas permiten una segmentación más precisa, facilitando la identificación de bordes y detalles críticos que son esenciales para un diagnóstico correcto. Esto sugiere la importancia de lograr un enfoque adecuado en las imágenes utilizadas en aplicaciones biomédicas, ya que la nitidez visual influye en la calidad de los resultados de clasificación, con un incremento del 4% en la precisión al utilizar imágenes enfocadas. Además, se observó una mejora del 3.5% en la sensibilidad y un incremento del 2.8% en el F1-Score, lo que sugiere que la calidad del enfoque tiene un impacto notable, aunque no determinante, en el rendimiento de los algoritmos.
Finalmente, en un contexto real, el uso de imágenes enfocadas es de gran utilidad para los profesionales de la salud. La precisión en la segmentación y clasificación de tejidos tumorales puede mejorar la precisión del diagnóstico, aumentando la efectividad del tratamiento al permitir una mejor planificación quirúrgica y seguimiento del paciente. Este proyecto no solo contribuye al avance tecnológico en el campo de la medicina, sino que también tiene el potencial de mejorar en gran medida la atención médica, reduciendo errores diagnósticos y mejorando la calidad de vida de los pacientes.
Abstract:
Hyperspectral imaging arose as an extension of spectroscopy, which was born in the 19th century to determine the spectral characteristics of different materials. The application of this type of images to science has meant great advances in different disciplines such as mineralogy, agriculture or physics. In particular, and thanks to not being an intrusive technology, it has proven to be of great help in the field of medicine. By coupling these images with supervised learning algorithms, it is possible to perform various complex classification tasks quickly and efficiently. In the case of agriculture, it has been used to classify types of vegetation and extract information from crops that the human eye cannot capture so easily. On the other hand, in other areas such as medicine, it has been used to distinguish between healthy and pathological tissue, facilitating a more accurate and rapid diagnosis.
This paper focuses on the influence of focus quality on hyperspectral images for brain tumor classification using supervised learning algorithms. To assess whether the quality of the focus is of great importance in obtaining reliable diagnoses, experiments have been performed in the CITSEM laboratory with simulated test scenarios and then applied to real patient images.
These experiments consist of evaluating the behavior of two supervised learning algorithms (Random Forest and Support Vector Machine) against focused and defocused hyperspectral images, seeing how they respond to each type of image. In order to distinguish between these two types of images, an algorithm that measures the focusing quality of hyperspectral images (Cumulative probability Blur Detection) has been employed along with another algorithm that visually displays the focused regions of the image (Local binary pattern).
Two methods were used to evaluate the performance of supervised learning algorithms. On the one hand, three classification metrics (Accuracy, Sensitivity and F1-Score) were used to obtain objective results about the performance of the algorithms. On the other hand, binary and probability classification maps were used to obtain visual results.
Analysis of the results showed that focused images allow for more accurate segmentation, facilitating the identification of edges and critical details that are essential for correct diagnosis. This suggests the importance of achieving proper focus in images used in biomedical applications, as visual sharpness influences the quality of classification results, with a 4.5% increase in accuracy when using focused images. In addition, a 3.5% improvement in sensitivity and a 2.8% increase in F1-Score were observed, suggesting that the quality of focus has a noticeable, though not deterministic, impact on the performance of the algorithms.
Finally, in a real-world context, the use of focused imaging is of great utility to healthcare professionals. Accurate tumor tissue segmentation and classification can improve diagnostic accuracy, increasing the effectiveness of treatment by enabling better surgical planning and patient follow-up. This project not only contributes to technological advancement in the field of medicine, but also has the potential to greatly improve medical care, reducing diagnostic errors and improving patients’ quality of life.
Resumen:
Las imágenes hiperespectrales surgen como una extensión de la espectroscopia, la cual nace en el siglo XIX con el fin de determinar las características espectrales de distintos materiales. La aplicación de este tipo de imágenes a la ciencia, ha supuesto grandes avances en diferentes disciplinas como la mineralogía, la agricultura o la física. En particular, y gracias a no ser una tecnología intrusiva, ha demostrado ser de gran ayuda en el campo de la medicina. Gracias a la unión de estas imágenes con algoritmos de aprendizaje supervisado, es posible llevar a cabo diferentes tareas de clasificación complejas de forma rápida y eficaz. En el caso de la agricultura, se ha empleado para clasificar los tipos de vegetación y extraer información de los cultivos que el ojo humano no puede capturar con tanta facilidad. Por otro lado, en otras áreas como la medicina, se ha empleado para distinguir entre tejido sano y patológico facilitando un diagnóstico más preciso y rápido.
Este trabajo se centra en la influencia de la calidad del enfoque en las imágenes hiperespectrales para la clasificación de tumores cerebrales mediante algoritmos de aprendizaje supervisado. Para evaluar si la calidad del enfoque es de gran importancia a la hora de obtener diagnósticos fiables, se han realizado experimentos en el laboratorio del CITSEM con escenarios de prueba simulados para posteriormente aplicar las técnicas a imágenes reales de pacientes.
Estos experimentos consisten en evaluar el comportamiento de dos algoritmos de aprendizaje supervisado (Random Forest y Support Vector Machine) frente a imágenes hiperespectrales enfocadas y desenfocadas, viendo cómo responden a cada tipo de imagen. Para poder distinguir entre estos dos tipos de imágenes, se ha empleado un algoritmo que mide la calidad de enfoque de las imágenes hiperespectrales (Cumulative probability Blur Detection) junto con otro algoritmo que muestra de manera visual las regiones enfocadas de la imagen (Local binary pattern).
Para evaluar el comportamiento de los algoritmos de aprendizaje supervisado se han empleado dos métodos. Por un lado, se han utilizado tres métricas de clasificación (Precisión, sensibilidad y F1-Score) para obtener unos resultados objetivos acerca del rendimiento de los algoritmos. Por otra parte, para obtener unos resultados visuales se han empleado los mapas de clasificación binarios y de probabilidad.
El análisis de los resultados mostró que las imágenes enfocadas permiten una segmentación más precisa, facilitando la identificación de bordes y detalles críticos que son esenciales para un diagnóstico correcto. Esto sugiere la importancia de lograr un enfoque adecuado en las imágenes utilizadas en aplicaciones biomédicas, ya que la nitidez visual influye en la calidad de los resultados de clasificación, con un incremento del 4% en la precisión al utilizar imágenes enfocadas. Además, se observó una mejora del 3.5% en la sensibilidad y un incremento del 2.8% en el F1-Score, lo que sugiere que la calidad del enfoque tiene un impacto notable, aunque no determinante, en el rendimiento de los algoritmos.
Finalmente, en un contexto real, el uso de imágenes enfocadas es de gran utilidad para los profesionales de la salud. La precisión en la segmentación y clasificación de tejidos tumorales puede mejorar la precisión del diagnóstico, aumentando la efectividad del tratamiento al permitir una mejor planificación quirúrgica y seguimiento del paciente. Este proyecto no solo contribuye al avance tecnológico en el campo de la medicina, sino que también tiene el potencial de mejorar en gran medida la atención médica, reduciendo errores diagnósticos y mejorando la calidad de vida de los pacientes.
Abstract:
Hyperspectral imaging arose as an extension of spectroscopy, which was born in the 19th century to determine the spectral characteristics of different materials. The application of this type of images to science has meant great advances in different disciplines such as mineralogy, agriculture or physics. In particular, and thanks to not being an intrusive technology, it has proven to be of great help in the field of medicine. By coupling these images with supervised learning algorithms, it is possible to perform various complex classification tasks quickly and efficiently. In the case of agriculture, it has been used to classify types of vegetation and extract information from crops that the human eye cannot capture so easily. On the other hand, in other areas such as medicine, it has been used to distinguish between healthy and pathological tissue, facilitating a more accurate and rapid diagnosis.
This paper focuses on the influence of focus quality on hyperspectral images for brain tumor classification using supervised learning algorithms. To assess whether the quality of the focus is of great importance in obtaining reliable diagnoses, experiments have been performed in the CITSEM laboratory with simulated test scenarios and then applied to real patient images.
These experiments consist of evaluating the behavior of two supervised learning algorithms (Random Forest and Support Vector Machine) against focused and defocused hyperspectral images, seeing how they respond to each type of image. In order to distinguish between these two types of images, an algorithm that measures the focusing quality of hyperspectral images (Cumulative probability Blur Detection) has been employed along with another algorithm that visually displays the focused regions of the image (Local binary pattern).
Two methods were used to evaluate the performance of supervised learning algorithms. On the one hand, three classification metrics (Accuracy, Sensitivity and F1-Score) were used to obtain objective results about the performance of the algorithms. On the other hand, binary and probability classification maps were used to obtain visual results.
Analysis of the results showed that focused images allow for more accurate segmentation, facilitating the identification of edges and critical details that are essential for correct diagnosis. This suggests the importance of achieving proper focus in images used in biomedical applications, as visual sharpness influences the quality of classification results, with a 4.5% increase in accuracy when using focused images. In addition, a 3.5% improvement in sensitivity and a 2.8% increase in F1-Score were observed, suggesting that the quality of focus has a noticeable, though not deterministic, impact on the performance of the algorithms.
Finally, in a real-world context, the use of focused imaging is of great utility to healthcare professionals. Accurate tumor tissue segmentation and classification can improve diagnostic accuracy, increasing the effectiveness of treatment by enabling better surgical planning and patient follow-up. This project not only contributes to technological advancement in the field of medicine, but also has the potential to greatly improve medical care, reducing diagnostic errors and improving patients’ quality of life. Read More
Related posts:
Monitoreo Espacio-Temporal de la variación de los Glaciares
Maladeta y Monte Perdido (Pirineos, España): Una Perspectiva
Geomática
Mejora de la clasificación de imágenes de satélite mediante el diseño y evaluación de modelos de redes de convolución con transfer learning
Diseño e implementación de un método fractal para la compresión de imágenes
Modelado tridimensional del prototipo de coche de competición upm05e del equipo UPM Racing, por métodos de fotogrametría de objeto cercano (amortiguadores, volante, ruedas, suspensión)
Desarrollo de un sistema de diagnóstico de afecciones, utilizando deep learning
Análisis y comparación de modelos de Aprendizaje Automático para la detección de la depresión