Resumen de Computer aided detection for breast lesion in ultrasound and mammography
En el campo de las im´agenes de c´ancer de mama, los sistemas tradicionales de detecci´on asistido por ordenador (del ingl´es CAD) se dise˜naron utilizando recursos inform´aticos limitados y pel´ıculas de mamograf´ıa escaneadas (del ingl´es SFM) de calidad de imagen deficiente, lo que di´o como resultado aplicaciones poco robustas.
Actualmente, con los avances de las tecnolog´ıas, es posible realizar im´agenes m´edicas en 3D y adquirir mamograf´ıa digital (del ingl´es FFDM) de alta calidad.
El ultrasonido autom´atico de la mama (del ingl´es ABUS) ha sido propuesto para adquirir im´agenes 3D de la mama con escasa dependencia del operador. Cuando se usa ABUS, la segmentaci´on y seguimiento de lesiones en el tiempo son tareas complicadas, ya que la naturaleza 3D de las im´agenes hace que el an´alisis sea dif´ıcil y tedioso para los radi´ologos. Uno de los objetivos de esta tesis es desarrollar un marco para la segmentaci´on semi-autom´atica de lesiones mamarias en vol´umenes ABUS. El volumen de la lesi´on 3D, en combinaci´on con el an´alisis de la textura y el contorno, podr´ıa proporcionar informaci´on valiosa para realizar el diagn´ostico radiol´ogico.
Aunque los vol´umenes de ABUS son de gran inter´es, la mamograf´ıa de rayos x sigue siendo la modalidad de imagen est´andar utilizada para la detecci´on precoz del c´ancer de mama, debido principalmente a su r´apida adquisici´on y rentabilidad.
Adem´as, con la llegada de los m´etodos de aprendizaje profundo basados en redes neuronales convolucionales (del ingl´es CNN), los sistemas modernos CAD pueden aprender autom´aticamente que caracter´ısticas de la imagen son m´as relevantes para realizar un diagn´ostico, lo que aumenta la utilidad de estos sistemas. Una de las limitaciones de la CNN es que requiere de grandes conjuntos de datos para entrenamiento, los cuales son muy limitados en el campo de la imagen m´edica.
En esta tesis, el tema de la poca disponibilidad de im´agenes m´edicas se aborda mediante dos estrategias: (i) utilizando trozos de imagen como entradas en lugar de im´agenes de tama˜no original, y (ii) mediante t´ecnicas de aprendizaje por transferencia, en el que el conocimiento obtenido mediante la capacitaci´on para una xxiii Index xxiv tarea se transfiere a otra tarea relacionada (tambi´en conocido como adaptaci´on de dominio). En primer lugar la CNN entrenada en un conjunto de datos muy grandes de im´agenes naturales es adaptada para clasificar entre trozos de imagen de tumores y no tumores en SFM, y en segundo lugar, la CNN entrenada es adaptada para detectar tumores en FFDM. Tambi´en se investig´o el aprendizaje por transferencia entre im´agenes naturales y FFDM. Se han utilizado dos conjuntos de datos p´ublicos (CBIS-DDSM e INbreast) para este prop´osito. En la fase final de la investigaci´on, se propone un marco de detecci´on autom´atica de tumores utilizando la mamograf´ıa original como entrada (en lugar de trozos de imagen) y proporciona la localizaci´on de la lesi´on dentro de esta mamograf´ıa como salida. Para este prop´osito, se utiliza otra base de datos (OMI-DB).
Los resultados obtenidos como parte de esta tesis mostraron mejores rendimientos en comparaci´on con el estado del arte, lo que indica que los m´etodos y marcos propuestos tienen el potencial de ser implementados dentro de los sistemas CAD avanzados, que pueden ser utilizados por radi´ologos en el cribado del c´ancer de mama.
