El presente trabajo describe un estudio sobre la aplicación de un enfoque semi-supervisado para la clasificación de tumores cerebrales humanos mediante el uso de imágenes hiperespectrales. El documento sigue la estructura clásica de un trabajo de investigación en dicho campo, presentando en primer lugar las motivaciones y objetivos que han incentivado el desarrollo de un algoritmo de clasificación semi-supervisado basado en técnicas de desmezclado espectral y clasificadores supervisados, respondiendo a una necesidad claramente existente en este campo de estudio, pues actualmente no existen mecanismos fiables para delimitar el tejido tumoral con el fin de resecarlo en su totalidad y de forma precisa durante una operación de neurocirugía. A continuación, se realiza un estudio en profundidad del estado del arte en dicho campo, desde el concepto de píxel hiperespectral hasta los algoritmos existentes que fundamentan la base de este estudio. Posteriormente se detallan los módulos de desmezclado espectral y clasificación que se han combinado en forma de diferentes cadenas de procesamiento orientadas a clasificar datos hiperespectrales de forma semi-supervisada. En este sentido, el núcleo del presente trabajo viene dado por la comparativa del algoritmo de clasificación semi-supervisada desarrollado en este trabajo frente a un enfoque puramente supervisado, todo ello dentro del marco de un caso de estudio centrado en la utilización de imágenes hiperespectrales de tejido tumoral obtenidas mediante sensores hiperespectrales durante intervenciones quirúrgicas. Como resultado del estudio cuantitativo y cualitativo realizado al analizar los resultados de clasificación obtenidos utilizando diferentes estrategias en relación con información de referencia (muestras etiquetadas) disponible para dichas imágenes, se ofrecen una serie de conclusiones y recomendaciones generales acerca del mejor uso posible del algoritmo de clasificación semi-supervisada que integra las estrategias desarrolladas. Dichas recomendaciones suponen un aspecto innovador en la literatura especializada dedicada a la clasificación de datos hiperespectrales, y serán de gran utilidad para los usuarios de este tipo de datos interesados en aplicaciones relacionadas con la clasificación semi-supervisada de los mismos.

Abstract— The detection of human brain cancer tissues by the naked eye during neurosurgical operations is one of the current challenges for neurosurgeons in a tumour resection surgery. Hyperspectral imaging provides a large amount of information about the characteristics of the materials captured due to its high spectral resolution. This paper proposes a strategy based on this type of data for brain cancer detection using semi-supervised classification in order to improve the classification results offered by supervised approach. The main goal is to find the best alternative to detect brain tumour samples taken into account the accuracy obtained. For that end, the semi-supervised algorithm proposed combines spectral unmixing techniques with supervised classification. Quantitative and qualitative experimental results have been conducted to analyse the classification results in semi-supervised fashion.

• Presidente: Javier García García
• Secretario: Fernando de la Puente Arrate
• Vocal: Pablo Hernández Morera

This work has been supported in part by the European Commission through the FP7 FET Open programme ICT- 2011.9.2, European Project HELICoiD “HypErspectral Imaging Cancer Detection” under Grant Agreement 618080.