Descripcion y Objetivos

El aumento en la capacidad de generación y procesamiento de información ha posibilitado el diseño de soluciones disruptivas basadas en técnicas de aprendizaje profundo o Deep Learning. Uno de los ámbitos en los que la repercusión de esta nueva tecnología es más importante es la salud. Así, la combinación de grandes cantidades de datos+Deep Learning está  produciendo avances significativos en diseño de fármacos, diagnóstico, etc.

Este trabajo se centra en la detección automática del cáncer de mama.

Una de las técnicas utilizadas para detectar el cáncer de mama en primera instancia son las mamografías. A pesar de que las tomas son relativamente rápidas, la interpretación de las mismas debe ser llevada a cabo por un grupo de expertos, lo cual ralentiza el proceso y constituye un cuello de botella en el diagnóstico.

El Deep Learning y la posiblidad de ajustar modelos a partir de grandes cantidades de imagenes hace posible la clasificación automática de mamografías, lo que permite no depender del número de especialistas (o depender en menor medida) y acelerar los diagnósticos.

Desde el punto de vista práctico, las soluciones basadas en Deep Learning, también en este ámbito, presentan dos problemas:

• Se necesitan miles de imágenes y una gran capacidad de cómputo para el entrenamiento.
• Generalmente, se requiere experiencia en el manejo de entornos de programación para poder utilizarlas.

En este trabajo se desplegará una aplicación que permita utilizar un modelo entrenado de Deep Learning para la clasificación de mamografías. En concreto, este trabajo se divide en varios puntos:

• Comprensión del problema de visión relativo a la clasificación de mamografías
• Comprensión de los algoritmos de deep learning
• Configuración del entorno de ejecución del modelo
• Creación de una aplicación backend y frontend para el uso del modelo
• Despliegue de la aplicación

 

Metodología y Competencias

La metodología de trabajo corresponde con la consecución paulatina de los objetivos:

• Comprensión del problema de visión relativo a la clasificación de mamografías
• Comprensión de los algoritmos de deep learning
• Configuración del entorno de ejecución del modelo
• Creación de una aplicación backend y frontend para el uso del modelo
• Despliegue de la aplicación

En el desarrollo del trabajo se trabajarán las siguientes competencias específicas:

• CE1 - Capacidad para la integración de tecnologías, aplicaciones, servicios y sistemas propios de la Ingeniería Informática, con carácter generalista, y en contextos más amplios y multidisciplinares.
• CE8 - Capacidad para analizar las necesidades de información que se plantean en un entorno y llevar a cabo en todas sus etapas el proceso de construcción de un sistema de información.
• CE12 - Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento.
• CE14 - Capacidad para conceptualizar, diseñar, desarrollar y evaluar la interacción persona-ordenador de productos, sistemas, aplicaciones y servicios informáticos.

 

Medios a utilizar

Para la ejecución de este trabajo es necesario disponer de un PC con todo el ecosistema de Python para tratamiento de imagen (skimage) y Deep Learning (Pythorch). También se utilizará la librería Flask para el despliegue, y el entorno Angular para el Front-End. 

La aplicación se desplegará en Heroku, y utilizará una base de datos NoSQL (MongoDB) alojada en un servicio cloud (MongoDB Atlas).

 

Bibliografía

Deep learning aplicado a mamografías:

• Shen, L., Margolies, L.R., Rothstein, J.H. et al. Deep Learning to Improve Breast Cancer Detection on Screening Mammography. Sci Rep 9, 12495 (2019).
• Yoon JH, Kim EK. Deep Learning-Based Artificial Intelligence for Mammography. Korean J Radiol. 2021;22(8):1225-1239. doi:10.3348/kjr.2020.1210

Procesamiento de imágenes:

• Documentación de skimage: https://scikit-image.org/

Deep Learning con Pythorch

• Documentación de PyTorch: https://pytorch.org/

Front-End, Back-End y Despliegue.

• Documentación de Flask: https://flask.palletsprojects.com/en/2.1.x/
• Documentación de Angular: https://angular.io/
• Heroku How-To: https://devcenter.heroku.com/start