DESARROLLO DE UNA RED NEURONAL CONVOLUCIONAL PARA LA DETECCIÓN DEL CÁNCER DE MAMA MEDIANTE LA CLASIFICACIÓN DE IMÁGENES MAMOGRÁFICAS

Autores/as

  • Sergio Augusto Celis Esteban
  • Jhoan Felipe Sarmiento Ortiz
  • Liliana Calderón-Benavides

Palabras clave:

Inteligencia artificial, aprendizaje profundo, red neuronal convolucional, transferencia de aprendizaje, clasificación de imágenes, cáncer de mama, detección temprana

Resumen

La inteligencia artificial (IA) ha venido creciendo durante los últimos años en el área de la salud con el desarrollo de sistemas de apoyo a la toma de decisiones clínicas. Con este trabajo se logró desarrollar un algoritmo de aprendizaje profundo capaz de clasificar imágenes mamográficas en cinco categorías (normal, microcalcificación benigna, nódulo benigno, microcalcificación maligna y nódulo maligno) con un enfoque prioritario en la detección temprana del cáncer de mama, aplicando la técnica de transferencia de aprendizaje. Se usaron los conjuntos de datos DDSM y CBIS-DDSM, disponibles en la web, para el entrenamiento y validación de la red neuronal convolucional obteniendo un AUC del 0.9838 y 0.9773 respectivamente. Estos resultados demuestran el gran potencial que la IA trae para el área de la salud, y los beneficios que genera en esta y otras patologías al reducir el porcentaje de falsos positivos y falsos negativos que son elementos importantes en el diagnóstico.

Citas

Ahmad, A. M., Muhammad Khan, G., & Mahmud, S. A. (2014). Classification of Mammograms Using Cartesian Genetic Programming Evolved Artificial Neural Networks. Artificial Intelligence Applications and Innovations. AIAI. IFIP Advances in Information and Communication Technology. 436, págs. 203-213. Berlin: Springer. doi: https://doi.org/10.1007/978-3-662-44654-6_20

American Cancer Society. (2019). Cancer.org. Obtenido de La densidad de los senos y el informe de su mamograma: https://www.cancer.org/es/cancer/cancer-de-seno/pruebas-de-deteccion-y-deteccion-temprana-del-cancer-de-seno/mamogramas/la-densidad-de-los-senos-y-el-informe-de-su-mamograma.html

Araque Volk, N. (20 de marzo de 2019). Regularizando nuestra red: DropOut. Obtenido de MC.AI: https://mc.ai/regularizando-nuestra-red-dropout/

Cruz-Roa, A., Gilmore, H., Basavanhally, A., Feldman, M., Ganesan, S., Shih, N., . . . Madabhushi, A. (18 de abril de 2017). Accurate and reproducible invasive breast cancer detection in whole-slide images: A Deep Learning approach for quantifying tumor extent. Scientific Reports, 7(46450). Recuperado el 30 de octubre de 2019, de https://doi.org/10.1038/srep46450

Chacón G, Rodríguez JE, Bermúdez V, Vera M, Hernández JD, Vargas S, Pardo A, Lameda C, Madriz D, Bravo AJ. Computational assessment of stomach tumor volume from multi-slice computerized tomography images in presence of type 2 cancer. F1000Res. 2018 Jul 17;7:1098. doi: 10.12688/f1000research.14491.2. PMID: 30473775; PMCID: PMC6234734.

Global Cancer Observatory. (2018). Colombia. World Health Organization, Switzerland. Geneva: Internacional Agency for Research on Cancer. Obtenido de https://gco.iarc.fr/today/data/factsheets/populations/170-colombia-fact-sheets.pdf

Jalandhar, D., & Sharma, A. (2016). DDSM Utility v3.1. Obtenido de https://github.com/trane293/DDSMUtility/blob/mamast/Tutorial.pdf

Jean-Baptiste Lamy, Boomadevi Sekar, Gilles Guezennec, Jacques Bouaud, & Brigitte Séroussi. (2019). Explainable artificial intelligence for breast cancer: A visual case-based reasoning approach. Artificial Intelligence in Medicine, 94, 42-53. doi: https://doi.org/10.1016/j.artmed.2019.01.001

Keras. (2020). Layer activation functions. Obtenido de Keras: https://keras.io/api/layers/activations/

Kontos, K., & Maragoudakis, M. (2013). Breast Cancer Detection in Mammogram Medical Images with Data Mining Techniques. 9th Artificial Intelligence Applications and Innovations (AIAI). 412, págs. 336-347. Paphos: Springer. doi: https://dx.doi.org/10.1007/978-3-642-41142-7_35

Pita Fernández, S., & Pértegas Díaz, S. (07 de diciembre de 2010). Fisterra. Recuperado el

de septiembre de 2019, de Pruebas diagnósticas: Sensibilidad y especificidad.: https://www.fisterra.com/mbe/investiga/pruebas_diagnosticas/pruebas_diagnosticas. Asp

PLOS. (13 de marzo de 2019). Convolutional neural network for cell classification using microscope images of intracellular actin networks. Obtenido de PLOS ONE: https://journals.plos.org/plosone/article/figure?id=10.1371/journal.pone.0213626.g0 02

Prabhu. (04 de marzo de 2018). Obtenido de https://medium.com/@RaghavPrabhu/understanding-of-convolutional-neural- network-cnn-deep-learning-99760835f148

Renuka Joshi. (09 de septiembre de 2016). EXSILIO SOLUTIONS. Obtenido de Accuracy, Precision, Recall & F1 Score: Interpretation of Performance Measures: https://blog.exsilio.com/all/accuracy-precision-recall-f1-score-interpretation-of-performance-measures/

Rios, Y., García-Rodríguez, J., Sanchez, E., Alanis, A., Ruiz-Velázquez, E., & Pardo, A. (2020). Neuro-fuzzy control for artificial pancreas: In silico development and validation. [Control neuro-fuzzy para páncreas artificial: Desarrollo y validación in-silico] RIAI - Revista Iberoamericana De Automatica e Informatica Industrial, 17(4), 390-400. doi:10.7326/0003-4819-157-5-201209040-00508

Rose, C. (2006). DDSM: Digital Database for Screening Mammography. Obtenido de University of South Florida: http://www.eng.usf.edu/cvprg/Mammography/Database.html

Nolan, T. (14 de mayo de 2020). CBIS-DDSM. Obtenido de Cancer Imaging Archive: https://wiki.cancerimagingarchive.net/display/Public/CBIS-DDSM

Wang, J., Yang, X., Cai, H., Tan, W., Jin, C., & Li, L. (07 de junio de 2016). Discrimination of Breast Cancer with Microcalcifications on Mammography by Deep Learning. Scientific Reports, 6(27327). doi:10.1038/srep27327

Descargas

Publicado

2022-07-28

Cómo citar

Celis Esteban, S. A. ., Sarmiento Ortiz, J. F. ., & Calderón-Benavides, L. (2022). DESARROLLO DE UNA RED NEURONAL CONVOLUCIONAL PARA LA DETECCIÓN DEL CÁNCER DE MAMA MEDIANTE LA CLASIFICACIÓN DE IMÁGENES MAMOGRÁFICAS. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 1(39), 75–80. Recuperado a partir de https://ojs.unipamplona.edu.co/ojsviceinves/index.php/rcta/article/view/1378

Número

Sección

Artículos