Optimización paramétrica de técnicas avanzadas de segmentación de imágenes biomédicasuna contextualización a la patología

Resumen

El cáncer de pulmón produce una alta mortandad susceptible de reducirse en un 20% al detectar en los primeros estadios posibles nódulos cancerígenos utilizando CT de tórax. Si los algoritmos de procesado de las tomografías no están ajustados para la detección de nódulos se pueden perder un 17% de ellos. Se busca una parametrización óptima de los algoritmos de segmentación, basados en clusterización difusa, para delimitar píxeles de la imagen constituyentes de un posible nódulo pulmonar. Sobre un conjunto prototipo de imágenes del LIDC se han realizado segmentaciones con diversas combinaciones de precondiciones en los algoritmos, así como definido y utilizado índices de rendimiento basados en métodos de validación empírica por discrepancia que sometidos a una estadística descriptiva permiten comparar y obtener los valores de parámetros de entrada adecuados al problema. Demostrándose que fundamentalmente el tipo de densidad del Nódulo Pulmonar Solitario contenido en las imágenes junto con el parámetro de los algoritmos, número de clústeres, son los factores más influyentes en el rendimiento de todos los métodos empleados. Siendo óptimo segmentar entre ocho y diez clases aquellas imágenes con nódulo de densidad deslustrada y en tres clases todas las demás, para tener en un único clúster al nódulo cancerígeno.