Sistema de la clasificación y reconocimiento de imágenes de ultrasonido en tiroides, basado en técnicas de aprendizaje profundo para el apoyo en el proceso de diagnóstico según la escala EU-TIRADS

Abstract

[ES] El presente trabajo de fin de máster, expone el desarrollo de un sistema que permite la clasificación de anomalías en imágenes digitales de ultrasonido de la glándula tiroidea, utilizando una prueba de tamizaje (discriminatoria) Europea, conocida como EU- TIRADS, la cual está compuesta por cinco clases y se usa para la categorización del nódulo tiroideo. Con base en la investigación realizada y en apoyo de la Clínica Foscal en Colombia, quienes proporcionaron las imágenes, se lleva a cabo un prototipo para la automatización del proceso de clasificación a través de algoritmos de aprendizaje profundo en uso de Redes Neuronales, que han sido probadas con éxito para la clasificación de otro tipo de imágenes médicas. Con 1353 imágenes, 5 clases, un modelo de red neuronal convolucional como inicio del proceso de experimentación y aplicando transfer learning con diferentes modelos pre-entrenados, que se detallan en el desarrollo del documento, se logró obtener un Accuracy de 55% y una pérdida del 1.16, teniendo en cuenta que es una clasificación de 5 clases, la probabilidad de asignar una clase correcta a una imagen es del 20%, lo que quiere decir que el modelo es 27.5% mejor que elegir al azar. En vista del proceso realizado y los resultados obtenidos con el dataset construido desde cero y el proceso que se ha llevado a cabo, se espera continuar con la investigación e implementación a futuro, teniendo como base los resultados obtenidos en los experimentos realizados, donde se evidencia que al aumentar la data el proceso de predicción mejora significativamente, sin embargo esto también dependerá de factores como la calidad de los datos y un buen etiquetado.

[EN] This master's thesis presents the development of a system that allows the classification of anomalies in digital ultrasound images of the thyroid gland, using a European screening test (discriminatory), known as EU-TIRADS, which is composed of five classes and is used for the categorization of the thyroid nodule. Based on the research carried out and with the support of the Foscal Clinic in Colombia, who provided the images, a prototype is carried out for the automation of the classification process through deep learning algorithms using Neural Networks, which have been successfully tested for the classification of other types of medical images. With 1353 images, 5 classes, a convolutional neural network model as the beginning of the experimentation process and applying transfer learning with different pre-trained models, which are detailed in the development of the document, it was possible to obtain an Accuracy of 55% and a loss of 1.16, taking into account that it is a classification of 5 classes, the probability of assigning a correct class to an image is 20%, which means that the model is 27.5% better than choosing at random. In view of the process performed and the results obtained with the dataset built from scratch and the process that has been carried out, it is expected to continue with the research and implementation in the future, based on the results obtained in the experiments performed, where it is evident that by increasing the data the prediction process improves significantly, however this will also depend on factors such as data quality and good labeling.