Clasificación de lesiones mamarias sobre la base de inteligencia artificial
Fecha
2019-06-17
Autores
López Rodríguez, Luis Alberto
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Central "Marta Abreu" de Las Villas, Facultad de Ingeniería Eléctrica, Departamento de Automática y Sistemas Computacionales
Resumen
El cáncer de mama es el más frecuente en el sexo femenino. La mamografía ha demostrado ser el método más eficaz para la detección precoz del cáncer de mama, permitiendo diagnosticar la enfermedad en su etapa inicial. Las imágenes mamográficas resultan en ocasiones de difícil comprensión, producto de la propia naturaleza de las anomalías de mamas, al bajo contraste imagen y por la composición de los tejidos mamarios, así como a factores tecnológicos diversos como la resolución espacial de la imagen o el ruido. Los sistemas de diagnósticos asistidos por computadora (CAD), se han desarrollado para aumentar la exactitud de los exámenes mamográficos y ser usados por los médicos como segunda opinión para obtener el diagnóstico final, con el objetivo de lograr disminuir los errores humanos. Las redes neuronales convolucionales son tendencia actual en la clasificación automática de lesiones en mamografía, debido al gran desempeño que han logrado. La presente tesis se basó en este tipo de redes para clasificar las lesiones mamarias detectadas, en benignas o malignas. Debido a que la base de datos miniMIAS utilizada, cuenta con una baja cantidad de imágenes, para entrenar este tipo de redes neuronales, se aplicó la técnica “transfer learning” de redes ya pre-entrenadas “Inceptionv3” y “Googlenet”. Se les modificaron las últimas capas, y se volvió a entrenar con la base de datos miniMIAS para que se ajustara al problema planteado. Se implementaron 2 arquitecturas de redes neuronales convolucionales obteniéndose, en la arquitectura con 3 clases, un 86.05 % de exactitud, con 30 clasificaciones erróneas; mientras que, en la arquitectura con 2 redes neuronales en serie, se alcanzó una exactitud de 88,2 % con 5 falsos positivos y 5 falsos negativos totales.
Descripción
Palabras clave
Inteligencia Artificial, Lesiones Mamarias, Imágenes Mamográficas