Detección y delimitación de hepatocarcinomas basándose en análisis de imagen mediante IA

Abstract

La Inteligencia Artificial (IA) ha experimentado un gran avance en los últimos años, siendo aplicada en distintos ámbitos y permitiéndoles evolucionar gracias a su capacidad para resolver tareas complejas. Este proyecto estudia la clasificación automática de ecografías abdominales, prestando especial atención al hígado y al hepatocarcinoma, mediante modelos de Redes Neuronales Convolucionales. Para este propósito, se recopilaron y procesaron imágenes de pacientes reales, aplicándoles prepocesamiento y distintas técnicas de aumento de datos. Por otro lado, se ha desarrollado una aplicación para la clasificación de estas ecografías. Esta aplicación incluye visualizaciones de cómo los modelos toman las decisiones y pretende facilitar el acceso a usuarios sin experiencia. Los resultados obtenidos tras la evaluación de los modelos, mostraron que estos lograron aprender para imágenes ya conocidas; sin embargo, demostraron tener aptitud más limitada para la generalización en muestras nunca antes vistas. Este sesgo está estrechamente relacionado con el desequilibrio en las muestras, destacando los insuficientes casos de hepatocarcinoma con respecto a hígados sanos.

Artificial Intelligence (AI) has experienced significant progress in recent years, being applied across various fields and enabling their advancement thanks to its ability to solve complex tasks. This project explores the automatic classification of abdominal ultrasound images, focusing particularly on the liver and the hepatocellular carcinoma, using Convolutional Neural Network (CNN) models. For this purpose, real patient images were collected and processed, applying preprocessing and different data augmentation techniques. Additionally, a web application has been developed for the classification of these ultrasounds. This application includes visualizations of how models make decisions and is intended to facilitate use for users without technical expertise. The evaluation results showed that the models were able to learn effectively on images they had previously seen. However, their ability to generalize to unseen samples was more limited. This bias is closely related to the imbalance in the dataset, highlighting the insufficient number of hepatocellular carcinoma cases compared to healthy liver images.