Categorización de tumores de mama a partir del procesamiento de imágenes médicas

Abstract

El cáncer de mama es una afección con gran prevalencia en el mundo, siendo la segunda causa de mortalidad por cáncer en mujeres. En Guatemala, es la neoplasia maligna más común; con pacientes jóvenes diagnosticadas en estadios avanzados y subtipos biológicamente agresivos. Por lo tanto, la detección precoz y temprana a través de imágenes médicas, supone la clave para incrementar las posibilidades de supervivencia. Sin embargo, el análisis y la interpretación de los estudios de imagenología médica se basa en una inspección visual con un valoración subjetiva y cualitativa, enfocada en evaluar la presencia de masas a través de una búsqueda de áreas con densidades y distribución del tejido anormales; lo que provoca posibles enmascaramientos y falsos positivos o negativos. Además, en el país los recursos son limitados y se requiere un cierto grado de atención especializada en los establecimientos de salud a nivel urbano como rural, así como a nivel público y privado; lo que implica un reto para el país. En este proyecto se desarrolló con Matlab, una herramienta de apoyo para el diagnóstico basado en el aprendizaje automático para detectar calcificaciones mamarias y clasificarlas correctamente entre benignas y malignas. Tras aplicar un fl ujo de trabajo para mejorar la calidad de las mamografías, se hace uso de las características radiómicas del seno. Con ello se logra una precisión del 84 %, siendo un algoritmo capaz de hallar lesiones adicionales, además de una visualización de tumores como áreas concentradas en color magenta y en color verde las regiones sanas asociadas a los tejidos propios de la mama.

Breast cancer is a highly prevalent condition in the world, being the second cause of cancer mortality in women. In Guatemala, it is the most common malignant neoplasm, with young patients diagnosed in advanced stages and biologically aggressive subtypes. Therefore, early detection through medical imaging is the key to increase the chances of survival. However, the analysis and interpretation of medical imaging studies is based on a visual inspection with a subjective and qualitative assessment, focused on evaluating the presence of masses through a search for areas with abnormal densities and tissue distribution; which causes possible masking and false positives or negatives. In addition, resources in the country are limited and a certain degree of specialized care is required in urban and rural health facilities, as well as public and private, which implies a challenge for the country. In this project, a machine learning-based diagnostic support tool was developed with Matlab to detect breast calcifications and correctly classify them into benign and malignant. After applying a work ow to improve the quality of mammograms, the breast radiomic characteristics are used. With this an accuracy of 84% is achieved, being an algorithm capable of finding additional lesions, in addition to a visualization of tumors as concentrated areas in magenta color and in green color the healthy regions associated with the breast tissues themselves.