SISTEMA PARA LA SEGMENTACIÓN Y CLASIFICACIÓN DEL TEJIDO DENSO EN IMÁGENES MAMOGRÁFICAS USANDO APRENDIZAJE AUTOMÁTICO

Bravo Bravo, Maria Angelica; Cabeza Gutiérrez, Natalia Johana

SISTEMA PARA LA SEGMENTACIÓN Y CLASIFICACIÓN DEL TEJIDO DENSO EN IMÁGENES MAMOGRÁFICAS USANDO APRENDIZAJE AUTOMÁTICO

dc.contributor.advisor	Pertuz Arroyo, Said David
dc.contributor.advisor	Africano Ardila, Gerson Fernando
dc.contributor.author	Bravo Bravo, Maria Angelica
dc.contributor.author	Cabeza Gutiérrez, Natalia Johana
dc.contributor.evaluator	Arguello Fuentes, Henry
dc.contributor.evaluator	Ramírez Silva, Ana Beatriz
dc.date.accessioned	2023-11-08T13:46:33Z
dc.date.available	2023-11-08T13:46:33Z
dc.date.created	2023-11-07
dc.date.issued	2023-11-07
dc.description.abstract	La densidad mamaria es uno de los factores de riesgo más importantes para estimar el cáncer de seno. Una mayor densidad indica una mayor probabilidad de desarrollar esta enfermedad y además, hace que sea más propenso que un radiólogo pase por alto lesiones pequeñas. Actualmente, existen técnicas basadas en aprendizaje automático y aprendizaje profundo para estimar la densidad mamaria. Sin embargo, la mayoría de estas técnicas se encuentran en etapa de desarrollo, lo que dificulta su uso por no expertos en el área de análisis computacional de imágenes. El objetivo de este trabajo es integrar desarrollos recientes encontrados en el estado del arte a través de una interfaz de software independiente que pueda ser usada por médicos para la segmentación y estimación de la densidad mamaria en imágenes de mamografía digital de campo completo. La interfaz de software se diseñó usando Qt Designer para aspectos gráficos y el lenguaje de programación Python, específicamente su módulo PyQt5, para el manejo de estas herramientas. Se realizó un estudio en lectores no expertos con cuarenta participantes para evaluar el desempeño de la interfaz de software diseñada. El análisis cuantitativo de los resultados de segmentación obtenido por los usuarios con las segmentaciones manuales hechas por lectores expertos obtuvo PD-errors entre 7.5% y 10.1%. Además, se evaluaron aspectos cualitativos de la interfaz, tales como disposición, eficiencia y satisfacción del usuario, concluyendo que el software desarrollado es considerado intuitivo, fácil de usar, completo y se desempeña de acuerdo a las expectativas del usuario. Con este trabajo, se pretende servir de base para una futura validación clínica de biomarcadores basados en densidad para la evaluación del riesgo de cáncer de seno.
dc.description.abstractenglish	Breast density is one of the strongest risk factors for breast cancer. Higher density indicates a major probability of developing the disease and also increases the likelihood of radiologists missing small lesions. Currently, there are techniques based on machine learning and deep learning for estimating breast density. However, most of these techniques are in the development stage, which hinders their utilization by clinicians without experience in computational image analysis. The aim of this work is to integrate recent developments in the state of the art through a standalone software interface that can be used by clinicians for breast density segmentation of full field digital mammograms. We designed this software interface using Qt Designer for graphical aspects and Python programming language, specifically its module PyQt5, for managing these tools. We conduct a non-expert reader study with forty subjects for evaluating the performance of the designed software interface. Quantitative analysis comparing the segmentation results obtained by the users with ground-truth segmentations obtained from experts readers yielded PD-errors between 7.5% and 10.1%. We also evaluated our interface based on qualitative aspects such as disposition, efficiency and user satisfaction, and concluded that the developed software is considered intuitive, easy to use, complete and performed as users expected. This work aims to serve as a baseline for further clinical validation of density-based biomarkers for breast cancer risk assessment.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/15178
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Densidad mamaria
dc.subject	Cáncer
dc.subject	Clasificación
dc.subject	Aprendizaje automático
dc.subject	Segmentación
dc.subject	Interfaz de software
dc.subject.keyword	Breast density
dc.subject.keyword	Cancer
dc.subject.keyword	Classification
dc.subject.keyword	Machine learning
dc.subject.keyword	Segmentation
dc.subject.keyword	Software interface
dc.title	SISTEMA PARA LA SEGMENTACIÓN Y CLASIFICACIÓN DEL TEJIDO DENSO EN IMÁGENES MAMOGRÁFICAS USANDO APRENDIZAJE AUTOMÁTICO
dc.title.english	System for Segmentation and Classification of Dense Tissue in Mammographic Images using Machine Learning
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado