[ANGLÈS] This project belongs to the field of medical imaging and was motivated by the idea of elaborating a first approximation to automatic medical diagnosis. The principal objective of this study is, given an X-ray chest image, to predict how long a doctor would be looking to specific different parts of the image. This prediction provides an estimation of which of these parts are more relevant for a doctor during diagnosis, and might be correlated with the probability of having an abnormality. Predictions are obtained by training a model with a machine learning algorithm called Relevant Vector Machine (RVM). The choice of this technique is due to its inner bayesian properties that provide the probability distribution of prediction. The knowledge of the distribution is used to determine the accuracy of the estimation. The data set used to learn the model is obtained by applying eye tracking techniques to doctors during diagnosis. It is formed by X-ray images, coordinates of gazed points and gaze duration at each point. In order to obtain good features to learn the model it is necessary to segment and preprocess the images. Preprocessing is done by applying Convergence Index Filters (COIN) to the images. This allows to remark bright nodules by enhancing their boundary and making it clearly different from neighborhood pixels. Then, watershed segmentation is applied to the images so as to divide the lungs in regions of similar intensity and treat all pixels in one region as a unique sample. From each region, a set of features is extracted. The size of this set is reduced by analysis of principal components and the result is used along with gaze durations to learn RVM. Results indicate that the learned model has good performance in predicting which the relevant regions are in X-ray images.

[CASTELLÀ] Este proyecto pertenece al campo de la imagen médica y tiene la motivación de crear una primera aproximación al diagnóstico médico automático. El principal objetivo de este estudio es, dada una radiografía del pecho, predecir cuánto rato estaría mirando un doctor a determinadas partes de la imagen. Esta predicción da una estimación de cuál de esas partes es más relevante para el médico durante el diagnóstico, y puede estar correlacionado con la probabilidad de existencia de una anomalía. Las predicciones se obtienen entrenando un modelo con un algoritmo de "machine learning" llamado Relevant Vector Machine (RVM). La elección de esta técnica se debe a las propiedades bayesianas intrínsecas al método que permiten obtener la distribución de probabilidad de la solución. Conocer esta distribución se usará para poder determinar la precisión de la estimación. El dataset usado para enseñar al modelo se obtiene aplicando técnicas de seguimiento de la mirada a médicos durante el diagnóstico. Está compuesto por las radiografías, las coordenadas de los puntos observados y la duración de la mirada en cada punto. Para obtener buenas "features" con las que entrenar el modelo es necesario segmentar las imágenes y someterlas a un preproceso. Durante el preproceso se aplican filtros de índice de convergencia (COIN) a las imágenes. Esto permite resaltar nódulos claros detectando sus bordes y diferenciándolos claramente de los píxeles a su alrededor. Después, se aplica segmentación "watershed" a las imágenes para dividir los pulmones en regiones de intensidad similar y tratar todos los píxeles de una región como una única muestra. De cada región se extraen un conjunto de features, que posteriormente es reducido por un análisis de componentes principales. Este resultado se usa junto al tiempo de observación para enseñar al RVM. Los resultados indican que los métodos predicen cuáles son las zonas más relevantes en las radiografíias.

[CATALÀ] Aquest projecte pertany al camp d'imatge mèdica i està motivat per la idea d'elaborar una primera aproximació a la diagnosi mèdica automàtica. L'objectiu principal de l'estudi és, donada una radiografia de pit, predir quanta estona estaria un doctor observant parts específiques de la imatge. Aquesta predicció ens proporciona una estimació sobre quines d'aquestes parts considera un doctor més relevants durant la diagnosi, les parts importants probablement estaran correlades amb el fet que hi hagi una anomalia. Les prediccions les obtenim entrenant un model mitjançant l'algoritme de machine learning Relevance Vector Machine (RVM). S'ha escollit aquesta tècnica degut a les seves propietats bayesianes instrínsiques, que ens proporcionen la distribució de probabilitat de la predicció. Conèixer la distribució ens és útil per determinar l'exactitud d'aquesta estimació. El dataset usat per entrenar el model s'obté aplicant tècniques de seguiment de la mirada a doctors durant la diagnosi. Està format per les radiografies, les coordenades dels punts observats i la durada de la observació a casa punt. Per obtenir bones features per entrenar el model es necessari segmentar i preprocessar les imatges. El preprocés es duu a terme aplicant filtres d' índex de convergència (COIN) a les imatges. Això ens permet remarcar els nòduls clars detectant la seva vorera. A continuació, s'aplica una segmentació watershed per dividir els pulmons en regions d'intensitat similar i es tracten tots els pixels d'una regió com una única mostra. De cada regió, n'extraiem un conjunt de features i en reduim la dimensió del seu espai mitjançant un anàlisi de components principals. El RVM s'entrena amb aquest nou conjunt i les durades de les observacions. Els resultats d'aquest estudi indiquen que el model es comporta bé en predir quines són les regions relevants a les radiografies.