Categorizacion de anomalias cancerigenas en mastografias digitales aplicando

aprendizaje profundo.

La metodología aplicada en la investigación consta de dos enfoques principales:

1. Proceso general para la obtención de datos de interés derivados de las imágenes
pertenecientes al dataset MIAS.
2. Evaluación de efectividad de acuerdo a parámetros establecidos que corresponden
a las pruebas iniciales .

En el primer enfoque, se utilizó un database con 322 imágenes de mastografías

digitales, las cuales fueron clasificadas en mastografías normales, con
microcalcificaciones benignas y con microcalcificaciones malignas. Estas imágenes
se utilizaron para la obtención de datos de interés .
En el segundo enfoque, se realizaron pruebas utilizando algoritmos ensamblados en
diferentes configuraciones, como Multiclase, Binario Normal-Maligno, Binario
Normal-Benigno, y Binario Benigno-Maligno, con el objetivo de evaluar la
efectividad de los algoritmos en la categorización de las anormalidades
cancerígenas en las mastografías digitales .
Además, se propone aplicar un proceso de umbralización o segmentación de las
imágenes para mejorar los resultados obtenidos, así como la aplicación de
clasificadores específicos para el análisis y mejoramiento de la tasa de
precisión .
En resumen, la metodología aplicada incluye la obtención de datos de interés a
partir de las imágenes del dataset MIAS, la evaluación de la efectividad de los
algoritmos ensamblados y la propuesta de mejoras para alcanzar un mínimo del 95% de
tasa de precisión en la detección de anormalidades cancerígenas en mastografías
digitales.

Clasificacion de anomalias.
En la investigación se utilizó el aprendizaje profundo y algoritmos ensamblados
para la detección de anormalidades cancerígenas en mastografías digitales. Para
ello, se entrenaron modelos clasificadores utilizando imágenes de mastografías
digitales que fueron previamente clasificadas en tres categorías: normales, con
microcalcificaciones benignas y con microcalcificaciones malignas.
Los criterios para clasificar una anomalía como benigna o maligna se basan en la
presencia de microcalcificaciones en la mastografía digital. Las
microcalcificaciones benignas suelen ser pequeñas y uniformes, mientras que las
microcalcificaciones malignas suelen ser más grandes, irregulares y con una
distribución más concentrada.
Para la detección de estas microcalcificaciones, se aplican técnicas de
procesamiento de imágenes y aprendizaje profundo para identificar patrones y
características específicas en las imágenes de mastografías digitales. Los
algoritmos ensamblados utilizados en la investigación permiten mejorar la precisión
de la detección y clasificación de las anormalidades cancerígenas en las
mastografías digitales.

Proposito de mejorar en la deteccion de cancer de mama.

La investigación sobre la categorización de anormalidades cancerígenas en
mastografías digitales aplicando aprendizaje profundo tiene como objetivo mejorar
la detección temprana del cáncer de mama a través de la identificación de
microcalcificaciones malignas en las mastografías digitales.
La detección temprana del cáncer de mama es fundamental para su prevención y
tratamiento efectivo. La mastografía es una herramienta importante para la
detección temprana del cáncer de mama, y la aplicación de técnicas de inteligencia
artificial, como el aprendizaje profundo y los algoritmos ensamblados, puede
mejorar la precisión y eficiencia de la detección de anormalidades cancerígenas en
las mastografías digitales.
Por lo tanto, esta investigación puede contribuir a la prevención del cáncer de
mama al mejorar la detección temprana de anormalidades cancerígenas en las
mastografías digitales, lo que puede llevar a un tratamiento más efectivo y mejores
resultados para los pacientes.

Tecnicas utilizadas mediante algoritmos de aprendizaje profundo.

En la investigación se aplican diversas técnicas para la detección de anomalías en
las mastografías digitales, incluyendo:

1. Preprocesamiento de imágenes: Antes de aplicar algoritmos de aprendizaje

profundo, es común realizar técnicas de preprocesamiento de imágenes, como la
normalización, filtrado y segmentación, para mejorar la calidad de las imágenes y
resaltar las características relevantes para la detección de anomalías ,[object
Object],.

2. Aprendizaje profundo: Se utilizan algoritmos de aprendizaje profundo, como redes

neuronales convolucionales (CNN), que son capaces de aprender y reconocer patrones
complejos en las imágenes, lo que es fundamental para la detección de
microcalcificaciones y otras anomalías en las mastografías digitales ,[object
Object],.

3. Algoritmos ensamblados: Además del aprendizaje profundo, se aplican algoritmos

ensamblados, como LogitBoost y AttributeSelectedClassifier, para mejorar la
eficiencia y precisión en la detección y clasificación de las anomalías
cancerígenas en las mastografías digitales ,[object Object],.

Estas técnicas permiten analizar las características de las imágenes de

mastografías digitales y detectar patrones asociados con microcalcificaciones
benignas y malignas, lo que contribuye a la detección temprana y la clasificación
precisa de las anomalías cancerígenas en las mastografías digitales.