Diseño y desarrollo de un sistema para la detección automática de sangre en imágenes de cápsula endoscópica

Abstract

La endoscopia por cápsula inalámbrica permite observar el tracto gastrointestinal completo de forma sencilla y no invasiva. Sin embargo, se genera una gran cantidad de imágenes por examen que los médicos tardan aproximadamente 2 horas en analizar. Esto no solo supone un elevado coste, sino que el diagnóstico puede ser erróneo debido a la fatiga y a la naturaleza variable de las lesiones, que exige una alta concentración. En el presente trabajo se diseña y desarrolla un sistema capaz de detectar automáticamente aquellas imágenes que contienen sangre, siguiendo dos enfoques distintos. El primero consiste en escoger y extraer ciertas características de color de las imágenes con las que entrenar modelos de aprendizaje automático clásico (SVM y Random Forest) que permitan distinguir entre tejido sano y sangre. Además, se implementa la técnica de segmentación “waterpixels” para tratar de mejorarla clasificación. El segundo método consiste en utilizar técnicas de aprendizaje profundo (redes neuronales convolucionales), capaces de extraer las características relevantes de la imagen por sí solas. La configuración que ha obtenido los mejores resultados (95,7% de sensibilidad y 92,3% de especificidad) ha sido un modelo Random Forest entrenado con los histogramas de los canales del espacio de color HSV