Luz, máquinas, y cáncer: sistemas de imagen y técnicas de procesado para el diagnóstico de medios dispersivos mediante imágenes de amplio campo de visión

Abstract

RESUMEN: En los tejidos biológicos, la luz tiende a dispersarse en todas direcciones, en función de la estructura morfológica y la composición química de la muestra sobre la que incida. Esta tesis doctoral versa sobre técnicas de análisis que, o bien estudian la luz retroesparcida que retorna a un observador (reflectancia difusa), o bien se apoyan en técnicas que minimizan dicho efecto dispersivo (iluminación estructurada). Las contribuciones de esta tesis se pueden agrupar en cuatro partes fundamentales: el prototipado, montaje y calibración de sistemas hiperespectrales y de imagen en el dominio de las frecuencias espaciales (SFDI) de alta resolución; la mejora de técnicas de aprendizaje máquina para la detección de melanomas en imagen hiperespectral (HSI); el diseño y validación de nuevos sistemas de aprendizaje profundo para la delineación de márgenes quirúrgicos en tumorectomías preservadoras del pecho; y la creación de técnicas flexibles para visualizar información diagnóstica en imágenes multimodales. A lo largo del documento se estudian y discuten varias aplicaciones y líneas futuras de investigación.

ABSTRACT: Light tends to diffuse in all directions after impinging on biological tissue; such behavior is highly dependent on the morphological structure and chemical properties of the specimen under illumination. This doctoral dissertation considers a series of techniques that analyze backscattered diffuse reflectance images, as well as those obtained by spatial frequency domain imaging (SFDI), which can reduce the effects of light diffusion and allow for surface optical properties estimation. The scientific contributions of this thesis can be grouped into four main categories, namely: the production, prototyping, and characterization of high-resolution hyperspectral and SFDI imaging devices; the improvement of previous machine learning methods for early melanoma detection using hyperspectral imaging; the design and training of novel deep learning models to perform margin delineation in breast conserving surgery lumpectomy specimens; and the development of new techniques that aid in visualizing diagnostic information in multimodal images. Various applications and future lines of research are discussed throughout the document.