Automatic classification of medical images

Abstract

El cáncer de pulmón es una enfermedad en la que las células se multiplican anormalmente y se convierten en un tumor maligno. Este tipo de cáncer se diagnostica mediante el análisis de imágenes de tomografía computarizada de los pacientes. En este sentido, para efectos médicos y diagnósticos, la calidad de las imágenes es un factor importante para detectar cualquier tipo de anomalía. Con la mejora de las tomografías de cáncer de pulmón y las técnicas de identificación de las regiones de interés, se ha logrado producir imágenes más claras para ser subsecuentemente analizadas. Adicionalmente, a través de técnicas de procesado de imágenes y aprendizaje automático, se puede identificar las regiones de interés y clasificarlas entre normales y patológicas. Es decir que es posible llevar a cabo un diagnóstico asistido por computadora, el cual puede apoyar a los médicos en el proceso de identificación de células cancerosas con precisión. En la actualidad, existen diversos enfoques de diagnóstico asistido por computador para cáncer pulmonar. En esta investigación, se realiza un estudio exploratorio con el fin de evaluar técnicas básicas de procesado de imágenes y aprendizaje automática para identificar y clasificar regiones de interés en imágenes de tomografía para diagnosticar cáncer de pulmón. Particularmente, en este trabajo, se prefiere el uso de técnicas básicas con el fin de reducir la complejidad computacional. Para efectos de experimentación, se implementaron varias técnicas básicas de procesado de imágenes, tales como: filtro de media, desenfoque Gaussiano, filtro de Gabor, técnica de segmentación por umbral, el operador morfológico de erosión, y segmentación de cuencas. Posteriormente, se llevó a cabo un proceso de extracción de características, el cual produjo un conjunto de datos. Dicho conjunto de datos se usó para entrenar un clasificador binario basado en máquinas de vectores de soporte. Como resultado general, se obtuvo que el desempeño de la clasificación automática, en términos de mediciones basadas en matriz de confusión, asciende a 91% de precisión, 98% de sensibilidad y 85% de especificidad.