Sistema automático para la interpretación inmediata de mamografías para la determinación del riesgo de cáncer

Abstract

RESUMEN En México, el cáncer de mama es una de las principales causas de muerte entre las mujeres. Sus altas tasas de mortalidad pueden prevenirse con una detección temprana y efectiva. Las lesiones de cáncer de mama son áreas anormales en el tejido mamario, como microcalcificaciones, masas, distorsión arquitectónica y asimetría bilateral. Todos estos son ejemplos de lesiones de cáncer de mama. Actualmente, la mamografía es una fuente de información esencial que utilizan los especialistas para diagnosticar esta enfermedad. Sin embargo, identificar las características del cáncer de mama es un desafío debido a las dificultades de interpretar las imágenes de las mamografías. Para respaldar esta interpretación, en este documento se propone un enfoque de detección asistido por computadora. MobileNetV3 Small, MobileNetV3 Large, MobileNet, ResNet50, ResNet152, VGG16, VGG19, DenseNet121, InceptionV3 y AlexNet12 son algunos de los modelos de red neuronal convolucional profunda (DCNN) investigados. Se utilizan dos bases de datos importantes, como Mini-MIAS y CBIS-DDSM. Para extraer la región de interés (ROI) de las mamografías, la base de datos Mini-MIAS requiere un algoritmo de recorte. Después de eso, se utiliza el procesamiento previo de la imagen para mejorar la calidad de la imagen. No se requirió un algoritmo de recorte para la base de datos CBIS-DDSM porque las imágenes obtenidas ya estaban recortadas y redimensionadas, pero se requirió un procesamiento previo de mejora. Se utilizaron la ecualización de histograma adaptativa limitada de contraste (CLAHE), la ecualización de histograma (HE), el enmascaramiento de enfoque (UM) y el estiramiento de contraste para mejorar las fotos (CS). Este estudio empleó 334 imágenes de la base de datos Mini-MIAS y 2620 estudios de mamografía de película escaneada del CBIS-DDSM. Finalmente, se utilizaron cinco medidas para encontrar el rendimiento más alto en cada modelo: exactitud, precisión, recuperación, puntaje F1 y área bajo la curva ROC (AUC). Tanto en problemas (bi-clase y multi-clase) como en bases de datos (Mini-MIAS y CBIS-DDSM), nuestra metodología propuesta logra resultados de alto rendimiento

ABSTRACT In Mexico, breast cancer is one of the major causes of death among women. Its high mortality rates can be prevented with early and effective detection. Breast cancer lesions are abnormal areas in the breast tissue such as microcalcifications, masses, architectural distortion, and bilateral asymmetry. These are all examples of breast cancer lesions. A mammogram is currently an essential source of information used by specialists to diagnose this illness. However, identifying breast cancer features is challenging due to the difficulties of interpreting mammogram images. To support this interpretation, a computer-aided detection approach is proposed in this paper. MobileNetV3 Small, MobileNetV3 Large, MobileNet, ResNet50, ResNet152, VGG16, VGG19, DenseNet121, InceptionV3 and AlexNet12 are some of the Deep Convolutional Neural Network (DCNN) models investigated. Two important databases are used such as Mini-MIAS and CBIS-DDSM. To extract the region of interest (ROI) from mammograms, the database Mini-MIAS requires a cropping algorithm. After that, image pre-processing is used to improve image quality. A cropping algorithm wasn't required for the database CBIS-DDSM because the images obtained were already cropped and resized, but pre-processing of enhancement was required. Contrast Limited Adaptive Histogram Equalization (CLAHE), Histogram Equalization (HE), Unsharp Masking (UM), and Contrast Stretching were used to improve the photos (CS). This study employed 334 pictures from the Mini-MIAS database and 2,620 scanned film mammography studies from the CBIS-DDSM. Finally, five measures were utilized to find the highest performance on each model: accuracy, precision, recall, F1-score, and area under the ROC curve (AUC). In both problems (bi-class and multi-class) and databases (Mini-MIAS and CBIS-DDSM), our proposed methodology achieves high performance results.