El objetivo principal de este Trabajo Fin de Máster es el de estudiar y evaluar diferentes algoritmos de selección de bandas para identificar las bandas más relevantes en imágenes hiperespectrales (HS) que permitan una delineación precisa de los tumores cerebrales durante los procedimientos quirúrgicos. La base de datos de HS empleada estaba compuesta por 26 imágenes de HS de cerebro humano in-vivo obtenidas durante procedimientos neuroquirúrgicos. En cada una de las imágenes, se etiquetó un cierto número de píxeles en cuatro clases para crear un conjunto de datos etiquetado que se empleó para desarrollar y evaluar un modelo de clasificación siguiendo una metodología de cross-validation de un paciente con 6 pruebas de imágenes de HS. Se definieron cuatro tipos de clases: tejido normal, tejido tumoral, tejido hipervascularizado y background.
Durante el desarrollo del proyecto se llevaron a cabo diferentes metodologías. Primero, se seleccionaron las bandas más representativas para cada imagen HS de test con diferentes algoritmos de optimización. Después de identificar estas bandas, todas las imágenes de test se evaluaron utilizando las bandas coincidentes entre los resultados obtenidos. Se comenzó por evaluar las imágenes de test con todas las bandas seleccionadas, luego empleando las bandas que se repitieron en al menos dos imágenes de test, y así sucesivamente hasta alcanzar el número máximo de niveles coincidentes en cada caso. Una vez que se llevó a cabo esta extensa evaluación, se decidió qué conjunto de bandas eran las que proporcionaban la información más relevante. Las métricas de evaluación empleadas en estos experimentos fueron: overall accuracy, sensibilidad, especificidad, Matthews correlation coefficient y mapas de clasificación cualitativos. Los resultados obtenidos con los algoritmos de selección de banda se compararon con los resultados de referencia empleando todas las bandas en las imágenes de HS.
Los resultados demuestran que la metodología propuesta basada en el método de optimización del algoritmo genético mejoró los resultados de accuracy en la identificación de las diferentes clases para la aplicación de detección de cáncer cerebral, empleando solo 48 bandas. Los rangos espectrales más relevantes identificados fueron: 440.5-465.96 nm, 498.71-509.62 nm, 556.91-575.1 nm, 593.29-615.12 nm, 636.94-666.05 nm, 698.79-731.53 nm y 884.32-902.51 nm.

The main objective of this Master Thesis is to study and evaluate different band selection algorithms in order to identify the most relevant bands in hyperspectral (HS) images to allow an accurate delineation of brain tumors during surgical procedures. The employed HS database was composed of 26 HS images of in-vivo human brain obtained during neurosurgical procedures. For each image, a certain number of pixels were labeled in four different classes in order to create a labeled dataset, employed to develop and evaluate a classification model following a leave-one-patient-out cross-validation methodology using 6 test HS images. Four types of classes were defined: normal tissue, tumor tissue, hypervascularized tissue and background.
During the development of the project, different methodologies were carried out. Firstly, the most representative bands for each test HS image with different optimization algorithms were selected. After identifying these bands, all test images were evaluated using the coincident bands between the obtained results. The process starts by evaluating the test images with all the bands selected, then employing the bands that were repeated in at least two test images, and so on until reaching the maximum number of coincident levels in each case. Once this extensive evaluation was carried out, it was decided which set of bands were the ones that provided the most relevant information. The evaluation metrics employed in these experiments were: overall accuracy, sensitivity, specificity, Matthews correlation coefficient and the qualitative classification maps. The results obtained with the band selection algorithms were compared with the reference results employing all the bands in the HS images.
The results demonstrate that the proposed methodology based on the Genetic Algorithm optimization method improves the accuracy results in identifying different classes for brain cancer detection application, employing only 48 bands. The most relevant spectral ranges identified were: 440.5-465.96 nm, 498.71-509.62 nm, 556.91-575.1 nm, 593.29-615.12 nm, 636.94-666.05 nm, 698.79-731.53 nm and 884.32-902.51 nm.

• Presidente: Antonio Núñez Ordóñez
• Secretario: Aurelio Vega Martínez
• Vocal: Antonio Hernández Ballester

HELICOID