Resumen

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.