Diseño de un sistema basado en redes neuronales para la detección de tumores cerebrales mediante imágenes hiperespectrales

El origen y sentido de este Proyecto de Fin de Grado se resume en una cuestión: ¿es posible detectar el tejido canceroso a través de sistemas de aprendizaje automático durante el transcurso de una operación quirúrgica? El sistema escogido para intentar responderla son las Redes Neuronales, y el elemento fundamental de trabajo, las imágenes hiperespectrales. El tejido canceroso que se quiere detectar se corresponde con uno de los tipos de tumor cerebral más agresivo y a la vez más común: el glioblastoma. Entre sus posibles tratamientos se encuentra la cirugía, la cual conlleva un inconveniente importante. Dado que durante la intervención se trata de extraer la mayor cantidad posible de tumor, también se resecciona tejido sano circundante para evitar que el cáncer se extienda. Por ello, cuanto mejor acotada esté el área afectada por el tumor, menores secuelas sufrirá el paciente. De este modo, la capacidad de detección del tejido tumoral se erige como uno de los requisitos fundamentales en este tipo de intervenciones, y es ahí donde este proyecto puede servir de ayuda: como sistema de apoyo al cirujano para auxiliarle en la identificación de las regiones afectadas. Para que el sistema desarrollado se pueda utilizar en el interior de un quirófano debe cumplir una serie de condiciones. Una de las más importantes es que no sea invasivo. Es decir, no puede interaccionar de ninguna manera con el paciente. Para ello, el sistema de captura de imágenes hiperespectrales juega un papel fundamental: al recabar información del espectro visible y parte del infrarrojo del tejido expuesto, se dispone de una enorme fuente de datos cuya explotación no supone riesgo alguno para el paciente. Si bien las redes neuronales componen el núcleo del clasificador de muestras que entrega la cámara hiperespectral, éstas deben demostrar una cualidad fundamental para poder ser de utilidad en el quirófano: poder entrenar y predecir de manera rápida. Es aquí donde entran en juego las dos maneras empleadas para construir los modelos: la metodología global y la incremental. En la global se apuesta por un entrenamiento previo a la intervención quirúrgica con muestras hipotéticamente obtenidas en otras operaciones. La red se entrena de manera más longeva y exhaustiva con la intención de construir un modelo cuyas predicciones sean fiables ante nuevos pacientes. La metodología incremental, en cambio, apuesta por hacer ajustes ligeros a un modelo previamente entrenado para que éste pueda adaptarse en medio de la operación a las características del nuevo paciente. La indagación en las posibilidades que pueden ofrecer ambas metodologías compone el grueso de los experimentos, los cuales configuran el objetivo de este proyecto como la construcción de un banco de pruebas para un sistema con aplicación real en intervenciones quirúrgicas, no como el diseño de un producto final. Fruto del análisis de estos experimentos se detectan las bondades y defectos que ambas metodologías ofrecen. Mientras que el método global permite obtener modelos con excelente grado de ajuste a las muestras del mismo paciente con el que se ha entrenado, demuestra una capacidad de generalización escasa. Al tratar de clasificar muestras pertenecientes a un nuevo paciente, los resultados obtenidos son, cuando menos, pobres en la mayoría de los casos. El método incremental, por su parte, demuestra obtener resultados mucho mejores que el global empleando tiempos de ajuste enormemente menores. Por el contrario, no es posible definir la configuración óptima de sus parámetros de entrenamiento de manera concluyente debido a la variabilidad de los resultados extraídos. Abstract: The origin and meaning of this End-of-Degree Project can be summarized in one question: is it possible to detect cancerous tissue through deep learning systems during the course of a surgical operation? The system chosen to try to answer this question is the Neural Networks, and the fundamental working element, the hyperspectral images. The cancerous tissue to be detected belongs to one of the most aggressive yet common types of brain tumours: the glioblastoma. The surgery, among others, is one of its possible treatments but carries serious drawbacks. Since one of the main goals of the surgical intervention is to remove as much tumour mass as possible, healthy surrounding tissue is also removed in order to prevent the cancer from spreading. Therefore, the better the area affected by the tumour is delimited, the fewer ill effects the patient will suffer. Following this principle, the capacity to detect tumour tissue becomes one of the fundamental requirements in this type of intervention, and this is where this project can be helpful: as a support system for the surgeon to help him identify the affected regions. In order for the developed system to be used inside an operating room, it must meet a series of requirements. One of the most important is that it cannot be invasive. That means it cannot interact in any way with the patient. This is where the hyperspectral image capture system plays its fundamental role: by collecting information on the visible spectrum and part of the infrared of the exposed tissue, there is a huge data source available whose exploitation does not pose any risk to the patient. Although the neural networks are selected to make up the core of the sample classifier delivered by the hyperspectral camera, they must demonstrate a fundamental quality to be useful in the operating room: being able to train and predict quickly. This is where the two ways used to build the models come into play: the global and the incremental methodology. In the global approach, training is provided prior to surgery with samples hypothetically obtained in other interventions. The network is trained in a longer and more thoroughly way with the intention of building a model whose predictions are reliable for new patients. The incremental methodology, on the other hand, bets on making slight adjustments to a previously trained model so that it can be adapted to the characteristics of the new patient in the middle of the operation. The investigation into the possibilities that both methodologies can offer makes up the bulk of the experiments, which sets the objective of this project as the construction of a test bench for a system with real application in surgical interventions, not as the design of a final-built product. As a result of the analysis of these experiments, the goodness and defects that both methodologies offer are exposed. While the global method allows to obtain models with excellent degree of adjustment to the samples of the same patient with whom it has been trained, it demonstrates a low capacity of generalization. When trying to classify samples belonging to a new patient, the results obtained are, at least, poor in most cases. The incremental method, on the other hand, shows much better results than the global method using much shorter adjustment times. On the other hand, it is not possible to assert the optimal setting of its training parameters due to the variability of the results obtained