Publication:

Sistema de visión artificial para la detección automática de masas y tejido normal en mamografías

Resumen en español

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.