In this thesis, we explored the idea of texture as a tumor segmentation approach in MR images. To deal with this, we extended the definition of the texture descriptors provided by Kovalev et al., co-occurrence matrices [1]. Then, we defined a rotation-robust feature space derived from the natural feature space that our definition of co-occurence matrices defined. We used these features to train a random forest classifier [2] and see if tumors could be detected from MR images, and if the different tissues within a tumor could be distinguished.

En este trabajo, hemos explorado la idea de textura como método de segmentación de tumores en imágenes de resonancia magnética. Para ello, hemos extendido la definición de descriptores de textura proporcionada por Kovalev et al., las matrices de co-ocurrencia [1]. Luego, hemos definido un espacio robusto ante rotaciones derivado del espacio de características que nuestra definición de matrices de co-ocurrencia definía naturalmente. Hemos utilizado estas características para entrenar un clasificador "random forest" [2] y hemos visto si podíamos detectar tumores en dichas imágenes, y si podíamos distinguir entre distintos tipos de tejidos dentro del propio tumor.

En aquest treball, hem explorat la idea de textura com a mètode de segmentació de tumors en imatges de ressonància magnètica. Per fer-ho, hem extès la definició de descriptors de textura proporcionada per Kovalev et al., les matrius de co-ocurrencia [1]. Després, hem definit un espai robust davant de rotacions derivat de l'espai de característiques que la nostra definició de les matrius de co-ocurrencia definia naturalment. Hem fet servir aquestes característiques per entrenar un classificador "random forest" [2] i hem vist si podíem detectar tumors en aquestes imatges, i si podíem distingir entre diferents tipus de teixits dintre del propi tumor.