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

[ES] La endoscopia por cápsula endoscópica 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 mejorar la 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. Se desarrolla además una interfaz gráfica de usuario que implemente estos modelos para presentar al médico solamente aquellas imágenes de las cuales se sospecha que puedan contener sangre, consiguiendo así reducir considerablemente el coste de la técnica e incluso mejorar el diagnóstico.
[CA] L’endoscòpia per càpsula endoscòpica inalàmbrica permet observar el tracte gastrointestinal complet de forma senzilla i no invasiva. No obstant això, es genera una gran quantitat d’imatges per examen que els metges tarden aproximadament 2 hores a analitzar. Això no només suposa un elevat cost, sinó que el diagnòstic pot ser erroni a causa de la fatiga i a la naturalesa variable de les lesions, que exigeix una alta concentració. En el present treball es dissenya i desenvolupa un sistema capaç de detectar automàticament aquelles imatges que contenen sang, seguint dos enfocaments diferents. El primer consisteix a triar i extraure certes característiques de color de les imatges amb les quals entrenar models d’aprenentatge automàtic clàssic (SVM i Random Forest) que permeten distingir entre teixit sa i sang. A més, s’implementa la tècnica de segmentació “waterpixels” per a tractar de millorar la classificació. El segon mètode consisteix a utilitzar tècniques d’aprenentatge profund (xarxes neuronals convolucionals), capaces d’extraure les característiques rellevants de la imatge per si soles. La configuració que ha obtingut els millors resultats (95,7% de sensibilitat i 92,3% d’especificitat) ha sigut un model Random Forest entrenat amb els histogrames dels canals de l’espai de color HSV. Es desenvolupa a més una interfície gràfica d’usuari que implemente aquests sistemes per a presentar al metge solament aquelles imatges de les quals se sospita que puguen contindre sang, aconseguint així reduir considerablement el cost de la tècnica i millorar el diagnòstic.
[EN] Wireless Capsule Endoscopy is a technique that allows to observe the entire gastrointestinal tract in an easy and non-invasive way. However, its greatest limitation lies in the large number of images generated in each examination, which doctors take approximately 2 hours to analyze in order to make a diagnosis. This implies not only a higher cost, but sometimes the diagnosis given by the doctor can be wrong due to fatigue and the variable nature of the injuries, which requires a high concentration. In this project, a system capable of automatically detecting images containing blood is designed and developed, following two different approaches. The first one consists of manually extracting certain features of the images that will be used to train machine learning models that allow to classify images between healthy tissue and blood. More specifically, SVM (Support Vector Machine) and Random Forest models will be trained. In addition, the waterpixels technique is implemented in order to improve the results of the classification. The second method consists in applying the recently popularized deep learning techniques, more specifically, convolutional neural networks, capable of extracting the relevant features of the image by themselves. A graphic user interface which implements these systems is also developed, capable of showing the doctor only those images which are suspected to contain blood, thus greatly reducing the cost of the WCE technique and also improving the diagnosis.