Resumen

En la medicina actual, la imagen médica ha experimentado enormes avances y puede capturar varias imágenes biomédicas de los pacientes. Para ayudar a los especialistas médicos, estas imágenes pueden utilizarse y entrenarse en un sistema inteligente que ayude a determinar las distintas enfermedades que pueden identificarse a partir del análisis de estas imágenes. La clasificación desempeña un papel importante a este respecto; mejora la agrupación de estas imágenes en categorías de enfermedades y optimiza el siguiente paso de un sistema de diagnóstico asistido por ordenador. El concepto de clasificación en el aprendizaje automático aborda el problema de identificar a qué conjunto de categorías pertenece una nueva población. Cuando se conoce la pertenencia a una categoría, la clasificación se realiza a partir de un conjunto de datos de entrenamiento que contiene observaciones. El objetivo de este artículo es realizar un estudio de los algoritmos de clasificación de imágenes biomédicas. A continuación, se describe cómo se pueden aplicar estos algoritmos a una arquitectura de big data utilizando el framework Spark. Este trabajo propone además el flujo de trabajo de clasificación basado en los algoritmos óptimos observados, Support Vector Machine y Deep Learning, tal y como se extrae de la literatura. Se presenta el algoritmo para el paso de extracción de características durante el proceso de clasificación y se puede personalizar en todos los demás pasos del flujo de trabajo de clasificación propuesto.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:imágenes, artículo, flujo de trabajo de clasificación, Support Vector Machine, arquitectura de big data, paso de extracción de características, algoritmos óptimos observados, varias imágenes biomédicas, categorías, clasificación
• Keywords:images, paper, classification workflow, Support Vector Machine, big data architecture, feature extraction step, observed optimal algorithms, several biomedical images, categories, classification