Resumen

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.