Examinando por Materia "Mamografía"

Mostrando 1 - 6 de 6
  • Miniatura
    PublicaciónAcceso abierto
    Clasificación de normalidad en tejido de mamas a partir de imágenes digitales de rayos x
    (Universidad del Valle, 2022) Velasco Giraldo, Diego Fernando; TOBAR BLANDON, MARIA FERNANDA; Loaiza-Correa, Humberto
    Se utilizaron técnicas de procesamiento de imágenes y reconocimiento de patrones. Específicamente, se implementaron dos métodos distintos para la segmentación de la mama, una que se basa en operaciones morfológicas, entropía, etc., y otra en la arquitectura de red neuronal convolucional U-Net. Para la clasificación y detección de anormalidades, se aplicaron técnicas basadas en máquinas de aprendizaje profundas (arquitecturas de redes neuronales convolucionales DenseNet121 + U-Net) y en máquinas de aprendizaje superficiales (perceptrón multicapa MLP y máquina de soporte vectorial SVM). Las entradas de estas dos últimas, son características estadísticas extraídas del histograma de las imágenes, junto con descriptores de textura a partir de la matriz de co-ocurrencia en niveles de gris, de las imágenes originales y de los patrones binarios locales de las imágenes (LBP). Se obtuvieron resultados sobresalientes. En las dos técnicas de segmentación de la mama desarrolladas se obtuvo un índice de similitud de Jaccard de 0,72 con el primer método y de 0,95 con el segundo, respecto a los ground truth. La clasificación de mamografías como normales o anormales con la arquitectura de red profunda DenseNet121 presentó una exactitud del 94% para el conjunto de test y, la detección de anormalidades con la arquitectura U-Net en mamografías de test clasificadas como anormales por DenseNet121, presentó un promedio de intersección con los ground truth de 0,94. Con las máquinas de aprendizaje superficiales, se clasificaron regiones normales y anormales de las imágenes para detectarlas posteriormente con un algoritmo de ventana deslizante. La clasificación de estas regiones tuvo una exactitud de 96,2% con el perceptrón multicapa (MLP) y de 97,1% con la máquina de soporte vectorial (SVM). Con estas dos máquinas de aprendizaje, la ventana deslizante detectó algunas anormalidades en las imágenes, pero se puede mejorar con técnicas complementarias en trabajos futuros. Se espera que este sistema contribuya a la elaboración de herramientas de soporte para los médicos radiólogos y, por ende, reduzca el margen de error en el diagnóstico de mamografías.
  • Miniatura
    PublicaciónAcceso abierto
    Detección automática de microcalcificaciones en mamografías digitales
    (Universidad del Valle, 2022) Palta, Felipe; Loaiza-Correa, Humberto; Nope Rodríguez, Sandra Esperanza
    En este documento se presenta el desarrollo de un sistema de visión artificial para la detección automática de microcalcificaciones en mamografías digitales utilizando máquinas de aprendizaje superficial. Se plantea y ejecuta una metodología partiendo de las etapas básicas de la construcción de un sistema de visión tradicional, empezando por la selección de la base datos MIAS. Luego, se emplea una etapa de preprocesamiento y segmentación del área de interés para así extraer, a partir de ventanas previamente recortadas, las características más apropiadas para la discriminación de las clases y seleccionar las mejores para finalmente implementar una serie de clasificadores: RNA, SVM, K-NN y NB basado en un esquemade pruebas, estableciendo un umbral mínimo de 95 % de exactitud para las primeras tres y un mínimo de 80 % de exactitud para NB, para así seleccionar los mejores modelos de acuerdo a un análisis de varianza ANOVA. Posteriormente, se evalúa el desempeño de esta solución, utilizando métricas apropiadas para datasets desbalanceados como lo son la precisión y la sensibilidad, ponderando esta última con el fin de contrarrestar el efecto del desbalance dentro del ground truth proporcionado por los expertos, obteniendo un 99.8 % de precisión y un 77 % de sensibilidad para una imagen mamográfica completa.
  • Miniatura
    PublicaciónAcceso abierto
    Diagnóstico de cáncer de mama en mamografías por medio de diferenciación de lesiones utilizando radiómica y aprendizaje profundo
    (Universidad del Valle, 2025) Garro Espinosa, Argiro Andrey; Mercado Diaz, Luis Roberto
    Este trabajo propone el desarrollo y validación de un modelo computacional híbrido para la clasificación de lesiones mamarias, integrando análisis radiómico y aprendizaje profundo. Utilizando mamografías de repositorios abiertos como CBIS-DDSM, se busca optimizar la discriminación entre lesiones benignas y malignas. La metodología se estructura en tres fases secuenciales: primero, la implementación de un clasificador basado en características radiómicas (textura, forma y primer orden) extraídas mediante PyRadiomics, con posterior selección por relevancia y reproducibilidad; segundo, el desarrollo de un modelo de aprendizaje profundo utilizando arquitecturas CNN preentrenadas como ResNet-50, aplicando transfer learning, y técnicas de data augmentation específicas para mamografías; finalmente, la integración de ambos enfoques mediante un sistema de ensamble con técnicas de stacking y un meta-clasificador optimizado por validación cruzada. La evaluación del rendimiento se realizará mediante métricas robustas como sensibilidad, especificidad y área bajo la curva ROC (AUC-ROC), con validación estadística rigurosa. La implementación en Python garantizará la reproducibilidad y la posible transferencia a la práctica clínica, contribuyendo significativamente al campo del diagnóstico asistido por computadora en radiología mamaria.
  • Miniatura
    PublicaciónAcceso abierto
    Factores asociados a la no tamización con mamografía bianual, en mujeres entre los 50 y 69 años, en IPS con estrategia de tamización con mamógrafos institucionales o unidades móviles, de una EAPB del régimen subsidiado, en el periodo 2018-2019
    (Universidad del Valle, 2024) Vásquez Rada, Evelin Andrea; Palta Galíndez, Carmen Rosario
    Introducción: La mamografía es el tamizaje definido en Colombia para detectar tempranamente el cáncer de mama, sin embargo las coberturas no alcanzan las metas definidas, para ello se han definido diferentes modalidades de tamización. El Objetivo general de esta investigación es determinar los factores asociados a la no tamización con mamografía en mujeres entre los 50 y 69 años, en IPS con estrategia de tamización con mamógrafos institucionales e IPS con unidades móviles una EAPB del régimen subsidiado en el periodo 2018-2019. La Metodología definida es un estudio observacional de cohorte, retrospectivo, el mismo fue desarrollado en cinco Empresas Sociales del Estado que hacen parte de la red de prestadores de una EAPB del régimen subsidiado. El evento de desenlace fue la no toma de la mamografía, que tiene como factor determinante la modalidad de atención por lo que la exposición principal fue pertenecer a una ESE cuya toma de mamografía se da por unidad móvil, frente a pertenecer a una ESE con mamógrafo propio. El muestreo realizado fue estratificado no proporcional y la información fue recolectada en un formulario en Excel®, a través de la revisión individual de historias clínicas. Los resultados son: La característica sociodemográfica que presentó diferencias significativas entre los grupos y que estuvo asociada a la no tamización con mamografía fue estar en la edad entre 65 a 69 años OR 2.49 (IC 95% 1.02-6.10 P=0.05). El tener hijos se comportó como factor protector frente al evento de desenlace de no tamizarse con mamografía OR 0.50( IC 95%0.27-0.94 P=0.00). En las características de utilización de servicios de salud, consultar a los servicios de salud se comportó como factor protector frente a la notamización con mamografía OR 0.93(IC 95% 0.89-0.96 P=0.05) finalmente en las características de utilización de servicios de salud el no realizar demanda inducida por ningún profesional se comportó como factor de riesgo para el no tamizaje con mamografía OR= 243.7 ( IC 95% 66.29-896.49) El modelo multivariado explico el evento en un 48%. Conclusiones: La información recolectada nos permiten inferir que existen diferencias en la operación de la ruta integral de atención (RIA) con mamografía entre las IPS que tamizan con mamógrafos institucionales y las IPS que tamizan mediante unidad móvil, la edad, el número de hijos, la consulta a los servicios de salud y la no realización de demanda inducida por ningún profesional o personal son elementos que se asocian con la no tamización con mamografía.
  • Miniatura
    PublicaciónAcceso abierto
    Factores asociados a la toma de mamografía en las mujeres de 60 a 69 años en Colombia, 2015
    (Universidad del Valle, 2018) Donado Solano, Kety Roxana; Aragón Vélez, Natalia
    El riesgo de padecer cáncer de mama en las mujeres aumenta con la edad. Se ha determinado que el promedio de edad para el diagnóstico es a los 61 años. Se estima que 79% de todos los nuevos casos de cáncer de mama se identifica en mujeres mayores de 50 años. Según el registro Poblacional de Cáncer de Cali en el período año 2008 a 2012, la tasa de incidencia de cáncer de mama en las mujeres de 60 a 69 años fue 159 a 179 por cada 100.000 personas-año. Y la tasa de incidencia estandarizada global fue de 43 por cada 100.000 personas - año. Las frecuencias relativas de mortalidad por cáncer de mama en mujeres del período 2011 - 2015 fue 15%. El diagnóstico de cáncer de mama en el 57% de los casos se realiza en etapas avanzados.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema de visión artificial para la detección automática de masas y tejido normal en mamografías
    (Universidad del Valle, 2025) Arango Imbachi, Angie Lorena; Loaiza-Correa, Humberto
    El cáncer de mama es una de las principales causas de mortalidad en mujeres a nivel mundial. Si bien la biopsia constituye el método definitivo para el diagnóstico de esta patología, la mamografía digital se considera una de las principales herramientas para su detección temprana, ya que permite identificar anomalías antes de que se presenten síntomas clínicos. Esta detección temprana es crucial para mejorar el pronóstico y aumentar las tasas de supervivencia. No obstante, su interpretación manual depende altamente de la experiencia del especialista. En este contexto, los sistemas de detección y diagnóstico asistido por computadora (CAD) se posicionan como herramientas de apoyo fundamentales para reducir los errores de interpretación y la carga diagnóstica del personal médico. El presente trabajo describe un sistema de clasificación automática del tejido mamográfico en tres clases: tejido normal, masa benigna y masa maligna, a partir del análisis de imágenes mamográficas digitales. El sistema comprende cinco etapas principales: adquisición de la imagen, procesamiento, extracción de características, selección de características y clasificación. Se utilizó la base de datos pública MIAS (Mammographic Image Analysis Society), la cual contiene mamografías digitales en escala de grises. El procesamiento incluyó técnicas de mejora de contraste y segmentación de la región de interés (mama), mediante transformaciones en el dominio espacial como umbralización adaptativa, transformación exponencial, operaciones morfológicas y el algoritmo de Canny para la detección de bordes. Este conjunto de técnicas permitió eliminar artefactos no deseados y lograr la exclusión del musculo pectoral, asegurando un análisis focalizado exclusivamente en el tejido mamario. Posteriormente, se llevó a cabo la extracción de características sobre áreas rectangulares de las mamografías (ventanas). Se extrajeron características del dominio espacial y frecuencial, con el fin de resaltar patrones estructurales y espectrales que permitieran una mejor caracterización del tejido mamario. La selección de características se realizó utilizando técnicas como rankings y wrappers, con el objetivo de reducir la dimensionalidad y conservar aquellas variables con mayor capacidad discriminativa, las cuales fueron posteriormente empleadas en la etapa de clasificación para evaluar las características espaciales y frecuenciales de manera separada y fusionada. Para la clasificación se implementaron dos enfoques: aprendizaje superficial y aprendizaje profundo. En el aprendizaje superficial se emplearon diez clasificadores Naive Bayes, KNN, Distancia Euclideana, Distancia de Mahalanobis, LDA, QDA máquinas de vectores de soporte (SVM), Random Forest (RF), redes neuronales de base radial (RBF) y perceptrón multicapa (MLP). Además, se implementaron redes de comité mediante votación mayoritaria, combinando los modelos con mejor desempeño individual. Por otro lado, en el aprendizaje profundo, se diseñó y entrenó una Red Neuronal Convolucional (CNN) desde cero, adaptada a imágenes de 50x50 píxeles y complementada con técnicas de aumento de datos (rotación, flipping, zoom). También se implementaron siete modelos preentrenados mediante transferencia de aprendizaje, incluyendo VGG16, VGG19, ResNet50, ResNet101, DenseNet121, DenseNet201 e InceptionV3. Estas redes fueron adaptadas para recibir imágenes de tres canales, asignando a cada canal una representación diferente (dominio espacial, Transformada de Fourier y Transformada Wavelet), lo que permitió evaluar directamente la fusión de dominio espacial y frecuencial. La evaluación de los modelos se realizó mediante métricas de desempeño como precisión, exactitud (accuracy), F1-score, sensibilidad (recall) y especificidad, priorizando la sensibilidad por su importancia en la detección de casos positivos. No se utilizó validación cruzada, sino una división del conjunto de datos en 70% para entrenamiento (del cual se extrajo el 20% para validación) y 30% para prueba, garantizando un balance equitativo entre las clases. Asimismo, se analizó la capacidad de generalización de los modelos mediante la diferencia de desempeño entre los conjuntos de entrenamiento y prueba. Los mejores resultados en el aprendizaje superficial se obtuvieron mediante una red de comité, que alcanzó una exactitud del 82.35% y una sensibilidad del 76.80%, superando a los modelos individuales. En el aprendizaje profundo, la CNN propia obtuvo una especificidad del 97.79%, mientras que el mejor desempeño general dentro de las redes preentrenadas fue alcanzado por ResNet, con una precisión del 66.40%, exactitud del 64.47% y sensibilidad del 61.00%. Por su parte, Inception V3 mostró la mejor generalización, evidenciada por diferencias mínimas entre entrenamiento y prueba (Δ precisión = 0.061, Δ exactitud = 0.042 y Δ F1-score = 0.057). Estos resultados superan los obtenidos con la CNN desarrollada desde cero y se encuentran dentro de rangos adecuados respecto a estudios previos, resaltando además el uso combinado de dominios espaciales y frecuenciales dentro de un único sistema de clasificación automática. Este trabajo representa un aporte al desarrollo de sistemas CAD aplicados al diagnóstico mamográfico, con potencial uso como herramienta de apoyo a los profesionales de la salud en la detección temprana del cáncer de mama.