Resumen:
El propósito general del proyecto es mejorar la precisión de la localización y delimitación del tejido cerebral, abordando la problemática del desplazamiento cerebral. Este fenómeno puede conllevar a posibles errores de precisión de las cirugías guiadas por imágenes. El uso de imágenes hiperespectrales junto con algoritmos de aprendizaje automático presenta una solución innovadora para detectar estos desplazamientos y permite una diferenciación precisa de los tejidos de forma no invasiva y más económica en comparación con tecnologías tradicionales.
La principal limitación tecnológica del proyecto consiste en la escasa disponibilidad computacional para el procesamiento de los datos y el entrenamiento de los modelos de aprendizaje automático. Desde una perspectiva económica, la implementación de esta tecnología promete reducir costes a largo plazo al reducir la necesidad de equipos caros y procedimientos prolongados. Desde un punto de vista ambiental, se trata de un enfoque beneficioso, ya que minimiza el uso de materiales y recursos en comparación con métodos más invasivos.
La metodología utilizada en el proyecto incluye el desarrollo de un sistema integrado que permite procesar datos, entrenar modelos, predecir y generar un informe. Se han probado diversos modelos de clasificación: máquinas de vectores de soporte (SVM), bosques aleatorios y diferentes arquitecturas de redes neuronales. Cada modelo se ha evaluado mediante métricas como precisión, recuperación o área bajo la curva ROC, buscando un equilibrio entre la detección de falsos positivos y exclusión de verdaderos positivos.
Los resultados indican que los modelos presentan márgenes de mejora.Se propone una búsqueda de hiperparámetros más exhaustiva, un aumento de datos y la implementación de métodos de aprendizaje en conjunto. En general, el proyecto tiene un impacto positivo en el sector de la medicina al promover varios Objetivos de Desarrollo Sostenible (ODS), como la salud y el bienestar, la reducción de desigualdades, la producción y el consumo responsable o la alianza para alcanzar objetivos.
Abstract:
The general purpose of the project is to improve the accuracy of the localization and delimitation of brain tissue, addressing the issue of brain shift. This phenomenon can lead to possible precision errors in image-guided surgeries. The use of hyperspectral imaging together with machine learning algorithms presents an innovative solution to detect these shifts and allows for precise tissue differentiation in a non-invasive and more economical manner compared to traditional technologies.
The main technological limitation of the project is the limited computational availability for data processing and machine learning model training. From an economic perspective, the implementation of this technology promises to reduce long-term costs by decreasing the need for expensive equipment and lengthy procedures. From an environmental point of view, it is a beneficial approach as it minimizes the use of materials and resources compared to more invasive methods.
The methodology used in the project includes the development of an integrated system that allows for data processing, model training, prediction and report generation. Various classification models have been tested: support vector machines (SVM), random forests and different neural network architectures. Each model has been evaluated using metrics such as accuracy, recall or area under the ROC curve, seeking a balance between the detection of false-positive and true-positive exclusion.
The results indicate that the models present room for improvement. A more exhaustive hyperparameter search, data augmentation, and the implementation of ensemble learning methods are proposed. Overall, the project has a positive impact on the medical sector by promoting several Sustainable Development Goals (SDGs), such as health and well-being, reduction of inequalities, responsible production and consumption, or alliance to achieve goals.
Resumen:
El propósito general del proyecto es mejorar la precisión de la localización y delimitación del tejido cerebral, abordando la problemática del desplazamiento cerebral. Este fenómeno puede conllevar a posibles errores de precisión de las cirugías guiadas por imágenes. El uso de imágenes hiperespectrales junto con algoritmos de aprendizaje automático presenta una solución innovadora para detectar estos desplazamientos y permite una diferenciación precisa de los tejidos de forma no invasiva y más económica en comparación con tecnologías tradicionales.
La principal limitación tecnológica del proyecto consiste en la escasa disponibilidad computacional para el procesamiento de los datos y el entrenamiento de los modelos de aprendizaje automático. Desde una perspectiva económica, la implementación de esta tecnología promete reducir costes a largo plazo al reducir la necesidad de equipos caros y procedimientos prolongados. Desde un punto de vista ambiental, se trata de un enfoque beneficioso, ya que minimiza el uso de materiales y recursos en comparación con métodos más invasivos.
La metodología utilizada en el proyecto incluye el desarrollo de un sistema integrado que permite procesar datos, entrenar modelos, predecir y generar un informe. Se han probado diversos modelos de clasificación: máquinas de vectores de soporte (SVM), bosques aleatorios y diferentes arquitecturas de redes neuronales. Cada modelo se ha evaluado mediante métricas como precisión, recuperación o área bajo la curva ROC, buscando un equilibrio entre la detección de falsos positivos y exclusión de verdaderos positivos.
Los resultados indican que los modelos presentan márgenes de mejora.Se propone una búsqueda de hiperparámetros más exhaustiva, un aumento de datos y la implementación de métodos de aprendizaje en conjunto. En general, el proyecto tiene un impacto positivo en el sector de la medicina al promover varios Objetivos de Desarrollo Sostenible (ODS), como la salud y el bienestar, la reducción de desigualdades, la producción y el consumo responsable o la alianza para alcanzar objetivos.
Abstract:
The general purpose of the project is to improve the accuracy of the localization and delimitation of brain tissue, addressing the issue of brain shift. This phenomenon can lead to possible precision errors in image-guided surgeries. The use of hyperspectral imaging together with machine learning algorithms presents an innovative solution to detect these shifts and allows for precise tissue differentiation in a non-invasive and more economical manner compared to traditional technologies.
The main technological limitation of the project is the limited computational availability for data processing and machine learning model training. From an economic perspective, the implementation of this technology promises to reduce long-term costs by decreasing the need for expensive equipment and lengthy procedures. From an environmental point of view, it is a beneficial approach as it minimizes the use of materials and resources compared to more invasive methods.
The methodology used in the project includes the development of an integrated system that allows for data processing, model training, prediction and report generation. Various classification models have been tested: support vector machines (SVM), random forests and different neural network architectures. Each model has been evaluated using metrics such as accuracy, recall or area under the ROC curve, seeking a balance between the detection of false-positive and true-positive exclusion.
The results indicate that the models present room for improvement. A more exhaustive hyperparameter search, data augmentation, and the implementation of ensemble learning methods are proposed. Overall, the project has a positive impact on the medical sector by promoting several Sustainable Development Goals (SDGs), such as health and well-being, reduction of inequalities, responsible production and consumption, or alliance to achieve goals. Read More
Related posts:
Modelización de yacimientos de áridos y polimetálicos mediante la herramienta de software Leapfrog Geo
Estudio de la atención en las arquitecturas transformer
Comparación cualitativa de los resultados de la esqueletización de los viales identificados por segmentación semántica usando redes generativas y de los algoritmos tradicionales
Aproximación de respuestas farmacocinéticas empleando modelos de aprendizaje automático
Interpartner learning capabilities and relationship performance during complex projects
Metodología de validación de explicaciones generadas mediante técnicas de IAX post-hoc para procesos de aprendizaje automático