Implementación del algoritmo K-Means en la plataforma aceleradora MPPA para el procesado de imágenes hiperespectrales

Hoy en día es frecuente que diferentes campos como la investigación médica y las telecomunicaciones trabajen juntos. Con ello se descubren y / o perfeccionan métodos para determinar distintos tipos de enfermedades. En este contexto, este Proyecto de Fin de Grado está relacionado con la aplicación de las imágenes hiperespectrales para detectar tumores en el tejido cerebral. Las imágenes hiperespectrales permiten extraer información con gran resolución espectral, que suele incluir desde el espectro ultravioleta hasta el infrarrojo. Inicialmente, esta tecnología se utilizaba para la observación de la superficie terrestre. Sin embargo, como ya se ha comentado, la aplicación de estas imágenes se ha extendido a otros nuevos campos como el de la medicina. Debido a la gran resolución espectral, estas imágenes requieren de una gran capacidad computacional para ser procesadas en tiempo real. Por ello, una de las principales líneas de investigación trata de conseguir este objetivo mediante la paralelización, dividiendo esa carga computacional en diferentes núcleos. Este trabajo, se centra en implementar uno de los algoritmos utilizados en el proyecto europeo HELICoiD, en una plataforma multinúcleo conocida como MPPA (en inglés, Multi Purpose Processor Array). Este algoritmo es el K-means, método utilizado para el agrupamiento de datos en diferentes conjuntos dependiendo de su valor medio. El presente documento sigue la estructura clásica de un trabajo de investigación, exponiendo en primer lugar las motivaciones que han originado este Proyecto Fin de Grado y los objetivos que se busca alcanzar con él. Seguidamente, se realizará una amplia explicación de las diferentes tecnologías necesarias para la investigación, como las imágenes hiperespectrales, el propio algoritmo K-means y por último, la plataforma MPPA. Con ello se consigue mostrar los conceptos técnicos básicos para el correcto seguimiento del documento. A continuación, se explicarán las diferentes soluciones propuestas, analizando sus resultados para seleccionar la más eficaz y que ofrezca el mayor rendimiento. Para ello, se mostrarán las diferentes etapas de la implementación, así como los errores asumidos y el tiempo de ejecución asociado. Por último, como resultado de esta investigación se extraerán una serie de conclusiones y se propondrán varias líneas futuras con las que se podría continuar y complementar este estudio. Abstract: Nowadays it is common for different research fields, like medical and telecommunications ones, to work together. With this, methods are discovered and / or perfected to diagnose different types of diseases. In this context, this Diploma Project is related to the application of hyperspectral imaging to detect brain tumors. Hyperspectral images allow information to be extracted with high spectral resolution, which usually covers from the ultraviolet to the infrared spectrum. Initially this technology was used for observation of the Earth's surface; however, as already said, the application of these images has spread to other fields such as medicine. Due to the high spectral resolution, these images require a large computational capacity to be processed in real time. Therefore, one of the main research lines tries to achieve this objective through parallelization, dividing this computational load into different processing elements. This work is focused on implementing one of the algorithms used in the HELICoiD project, onto an MPPA (in English, Multi Purpose Processor Array). This algorithm is the K-means, a method used for grouping data in different sets depending on their mean value. This document follows the classic structure of a research work, first exposing the motivations of this Diploma Project and the objectives that are sought with it. Next, a comprehensive explanation of the different technologies necessary for the investigation will be carried out, such as hyperspectral images, K-means algorithm itself and finally the MPPA platform. Next, the different solutions that have been carried out will be explained, analyzing their results to choose the solution offering the highest performance. To do this, the different stages conforming the implementation are described, as well as the errors assumed and the execution time measured. Finally, as a result of this research, a set of conclusions, and several future lines of action with which this study could be continued and complemented will be presented