Diseño de un sistema basado en bosques aleatorios para la detección de tumores cerebrales mediante imágenes hiperespectrales

El propósito general del proyecto consiste en lo que se menciona en el título, la detección de tumores cerebrales haciendo uso de imágenes hiperespectrales. Para ello, se hará uso también del algoritmo de aprendizaje automático llamado bosques aleatorios, que permiten clasificar los tejidos que capten las imágenes hiperespectrales. En el diagnóstico médico es necesario ser lo más preciso posible y, dado que algoritmo se podría usar en un quirófano, es necesario que este no se demore en mostrar al cirujano, por medio de una pantalla, una imagen procesada del cerebro del paciente con los tejidos ya clasificados. Por este motivo se decide usar el algoritmo de bosques aleatorios, ya que es rápido a la hora de entrenar modelos y de realizar predicciones. La metodología llevada a cabo se basa en comprobar cómo predicen los modelos entrenados otras imágenes hiperespectrales, obteniendo resultados para determina la mejor forma para entrenar un modelo. Por ello se tendrá en cuenta los datos usados durante el entrenamiento y de qué pacientes corresponden. Se concluye así que un buen modelo de bosque aleatorio será aquel que se entrene con varias imágenes de pacientes distintos. No solamente eso, sino que, para predecir la imagen de un nuevo paciente, será necesario tomar de él una primera imagen para entrenar nuevamente el modelo. De esta manera, la predicción de una nueva imagen del paciente siendo operado estará mejor clasificada. Abstract: The main purpose of the following project is to detect brain tumors using hyperspectral imaging. In order to achieve it, we will make use of Random Forest, which is a Machine Learning algorithm capable of classifying the different type of tissues captured in the hyperspectral images. In medical diagnosis is mandatory to be as precise as possible and since the algorithm can be used in real situations, it is also obligatory to be as quick as possible. That way we could show a processed image of the patient to the surgeon, where all the tissues have been classified in a screen. With that being said, the use of the Random Forest algorithm will suit very well to our case, simply because is a very quick method to train models and to predict new data. The methodology we will be using is based on discovering how the trained models will predict another image, getting results of each one to be able to determine the best way to train a Random Forest model. For that purpose, we will have in mind which images will be used for training and to which patient correspond. After that, we will conclude that a good way to train a Random Forest is to use multiple images from different patients. Not only that, but also if we want to predict an image from a new patient, it will be required to first take an image in to train a model. Finally, then we will predict a new image of the exact same patient, since the results will be better than predicting the first one token