Automatic dense tissue segmentation based on fully convolutional network for mammography images

Simple item page
dc.contributor.advisorPertuz Arroyo, Said David
dc.contributor.authorBenítez Malaver, Carlos Santiago
dc.date.accessioned2024-03-04T00:43:14Z
dc.date.available2020
dc.date.available2024-03-04T00:43:14Z
dc.date.created2020
dc.date.issued2020
dc.description.abstractLa densidad porcentual de seno (PD) es uno de los factores de riesgo más importantes asociados con el desarrollo del cáncer de seno. Por lo tanto, la estimación precisa de la PD es una tarea importante para la evaluación del riesgo de cáncer de seno basada en el análisis mamográfico. Para evitar variabilidad entre lectores se opta por el desarrollo de algoritmos de estimación de densidad automáticos. Sin embargo, la segmentación automática del tejido fibroglandular (FGT) es una tarea difícil ya que las características morfológicas tanto sutiles como complejas se proyectan en una Mamografía Digital de Campo Completo (FFDM). En este trabajo presentamos un algoritmo híbrido basado en una red completamente convolucional y un algoritmo de agrupamiento basado en intensidad para la estimación de tejido denso. Para fines de validación, utilizamos un conjunto de datos que se usan como referencia y consta de 582 mamografías con tejido denso segmentado manualmente por un radiólogo experto. Como resultado, la segmentación de tejido denso usando la selección de clúster demuestra una mejoría de 8% en la mediana del coeficiente de similitud de Dice (DSC) respecto a la segmentación dada por la red neuronal. las estimaciones de PD obtenidas con el método propuesto no arrojan diferencias estadísticamente significativas con respecto a las estimaciones de PD del radiólogo. Además, el método propuesto arroja unas medianas de DSC y error de PD de 0.795 y 0.077, respectivamente. Al compararse con un algoritmo clínicamente validado del estado del arte el algoritmo propuesto alcanzó un mayor rendimiento.
dc.description.abstractenglishPercent breast density (PD) is one of the most important risk factors associated with developing breast cancer. Therefore, accurate estimation of PD is an important task for breast cancer risk assessment based on mammographic analysis. To avoid variability between readers, the development of automatic density estimation algorithms is chosen. However, the automatic segmentation of fibroglandular tissue (FGT) is a difficult task as both subtle and complex morphological features are projected on a Full Field Digital Mammography (FFDM). In this work, we present a hybrid algorithm based on a fully convolutional network and an intensity-based clustering algorithm for the estimation of dense tissue. For validation purposes, we used a reference data set consisting of 582 dense tissue mammograms manually segmented by an expert radiologist. As a result, dense tissue segmentation using cluster selection demonstrates an 8% improvement in median Dice similarity coefficient (DSC) regarding to the segmentation given by the neural network. PD estimates obtained with the proposed method do not show statistically significant differences with respect to PD estimates from the radiologist. Furthermore, the proposed method yields medians of DSC and PD error of 0.795 and 0.077, respectively. When compared with a clinically validated state of the art algorithm, the proposed algorithm achieved higher performance.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
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/20.500.14071/40092
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería 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.subjectDensidad Porcentual De Seno
dc.subjectTejido Fibroglandular
dc.subjectMamografía Digital
dc.subjectRedes Completamente Convolucionales
dc.subject.keywordPercent Density
dc.subject.keywordFibroglandular Tissue
dc.subject.keywordDigital Mammography
dc.subject.keywordFully Convolutional Network
dc.titleAutomatic dense tissue segmentation based on fully convolutional network for mammography images
dc.title.englishAutomatic dense tissue segmentation based on fully convolutional network for mammography images *
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
697.47 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
333.99 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
193.07 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería Electrónica