Detección del carcinoma de glándula mamaria fusionando variables clínicas y termográficas

Simple item page
dc.contributor.advisorGualdron Gonzalez, Oscar
dc.contributor.advisorAlvarez Ojeda, Olga Mercedes
dc.contributor.authorAlférez Baquero, Edwin Santiago
dc.date.accessioned2024-03-03T18:19:58Z
dc.date.available2010
dc.date.available2024-03-03T18:19:58Z
dc.date.created2010
dc.date.issued2010
dc.description.abstractEste trabajo busca clasificar una muestra poblacional de mujeres, en pacientes con y sin cáncer de mama, teniendo en cuenta la información termográfica de los senos y los datos clínicos de cada paciente. En primer lugar, se registraron los termogramas de mama y se recopiló la información clínica de cada paciente. Posteriormente, se eligió de forma manual y automática las regiones en la termografía que contienen las glándulas mamarías. En la segunda técnica se utilizó principalmente la transformada parabólica de Hough. A partir de estas zonas, se extrajeron descriptores de primer y segundo orden. Estos últimos se calcularon a partir de la matriz de co-ocurrencia, en 4 direcciones diferentes: horizontal, diagonal a 45º, vertical y diagonal a 135º. Asimismo, se preseleccionan los datos clínicos que tienen relevancia en el estudio. A continuación, se procedió a realizar la selección de variables que entran al sistema de clasificación. Se planearon tres técnicas: correlación lineal, selección secuencial de variables y discriminación mediante el área bajo la curva ROC. Sin embargo, este último es el que se aplica antes de la clasificación. Posteriormente, se aplicaron cuatro diferentes algoritmos de clasificación para cada grupo de datos: una RNA backpropagation, una red neuronal con correlación en cascada, una RNA probabilística y la técnica de agrupamiento Fuzzy C-means. Por último, se determinó la sensibilidad, especificidad y área bajo la curva ROC de cada prueba de clasificación y se compararon los resultados para cada tipo de algoritmo implementado.
dc.description.abstractenglishThis study aims to classify a sample of patients with and without breast cancer, taking into account the thermographical information of their breasts and their clinical data as well. At first, the breast thermograms and clinical information were collected from each patient. After this, regions were selected manually and then automatically, in order to enclose the breast-area, mainly using the parabolic Hough transform. From these areas, first and second order thermal descriptors were extracted. The second order descriptors were calculated from the co-occurrence matrix in 4 different directions: horizontal, diagonal (at 45 degrees), vertical and diagonal (at 135 degrees). Also, some clinical data relevant for this study was pre-selected. After this, the selection of variables for the classification system was made using three techniques: linear correlation, sequential selection of variables and discrimination, applying the area under the ROC curve method (the one applied before classification). Later on, four different classification algorithms for each data set were used: an ANN back propagation, a neural network with cascade correlation, a probabilistic neural network and Fuzzy C-means clustering. Finally, the sensitivity, specificity and area under the ROC curve were determined for each classification test and the results were compared for each type of algorithm implemented.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Electrónica
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/24701
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectTermografía infrarroja
dc.subjectBiodatos
dc.subjectCáncer de Seno
dc.subjectProcesamiento digital de imágenes
dc.subjectCurva ROC
dc.subjectTransformada de Hough
dc.subjectRed neuronal artificial (RNA)
dc.subjectFuzzy c-means.
dc.subject.keywordInfrared thermography
dc.subject.keywordBiodata
dc.subject.keywordBreast Cancer
dc.subject.keywordDigital Image Processing
dc.subject.keywordROC curve
dc.subject.keywordHough transform
dc.subject.keywordArtificial Neural Network (ANN)
dc.subject.keywordFuzzy c-means.
dc.titleDetección del carcinoma de glándula mamaria fusionando variables clínicas y termográficas
dc.title.englishBreast cancer detection combining thermographical and clinical variables
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
204.87 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.44 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
149.27 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería Electrónica