Modificación de procesos de fusión de información en redes convolucionales aplicadas a la segmentación de radiografías

Abstract

Nuestra sociedad ha vivido recientemente una de las peores epidemias en décadas, la COVID 19. Esta enfermedad ha modificado los hábitos de vida que hasta ahora conocíamos, poniendo en jaque al sistema sanitario y afectando gravemente a la calidad de vida de la gente. Uno de los síntomas más notables en un estadio avanzado de la enfermedad es la neumonía bilateral, que consiste en la inflamación de naturaleza infecciosa de los espacios alveolares de los pulmones. El progreso tecnológico en medicina está siendo impulsado en gran medida por la inteligencia artificial y el procesamiento de imagen. El procesamiento de imágenes es una parte vital de la radiología, ya que permite realzar los bordes, realzar el contraste, reducir el ruido, mejorar el rango dinámico y en resumen, ofrecer una imagen más clara a los profesionales médicos que las analizan. Este proyecto trata sobre el uso de técnicas de inteligencia artificial para conseguir hallar el método óptimo de segmentación de imágenes aplicado a la segmentación de radiografías de tórax con el fin de poder diferenciar en una radiografía qué pixeles pertenecen a los pulmones y qué pixeles no. Para ello se ha empleado una red neuronal convolucional conocida como U-Net y hemos realizado un trabajo de investigación de diferentes configuraciones del modelo para encontrar alternativas a la configuración clásica al mecanismo de fusión de características que utiliza esta red.