Estrategia de aprendizaje no supervisado para el análisis de imágenes de histopatología en cáncer de mama

Navas Burgos, María Fernanda

Estrategia de aprendizaje no supervisado para el análisis de imágenes de histopatología en cáncer de mama

dc.contributor.advisor	Romo Bucheli, David Edmundo
dc.contributor.advisor	Martínez Carrillo, Fabio
dc.contributor.author	Navas Burgos, María Fernanda
dc.contributor.evaluator	Hinojosa Montero, Carlos Alberto
dc.contributor.evaluator	Garzón Villamizar, Gustavo Adolfo
dc.date.accessioned	2022-11-08T12:47:25Z
dc.date.available	2022-11-08T12:47:25Z
dc.date.created	2022-09-11
dc.date.issued	2022-09-11
dc.description.abstract	El cáncer de mama es el cáncer invasivo más común que afecta a las mujeres alrededor del mundo, con una probabilidad de letalidad del 2,6. En Colombia, se estima que aproximadamente 13,380 mujeres padecieron este tipo de cáncer en el 2018, según datos del Observatorio Global de Cáncer. La graduación del cáncer de mama corresponde a la inspección visual de imágenes histológicas realizada por patólogos expertos. Este análisis permite estimar la agresividad del cáncer y también su recurrencia. Particularmente, tres características histológicas son evaluadas: la formación de túbulos, el pleomorfismo nuclear y la actividad mitótica. Debido a que existen diferencias en la selección de regiones de interés diagnóstico, así como diferencias en la interpretación de los protocolos, es frecuente que exista una variabilidad inter-observador significativa para el grado histológico. Diversas técnicas automáticas de aprendizaje supervisado basadas en ingeniería de características, y también en esquemas de aprendizaje profundo, han sido propuestas en el análisis automático de imágenes histológico de cáncer de mama. Estas técnicas han reportado resultados exitosos en conjuntos de imágenes limitados. En Este trabajo se exploró una estrategía de aprendizaje profundo no supervisado para la identificación de características visuales relevantes para el diagnóstico clínico de cáncer de mama. Este enfoque se evaluó haciendo uso del PSNR para medir la reconstrucción de las imágenes en donde se obtuvo un 88,24412 dB en esta medida. En la tarea de clasificación se utilizaron imágenes provenientes de 11 pacientes donde 2 fueron para evaluación, los resultados conseguidos fueron 0.697 en el área bajo la curva ROC AUC.
dc.description.abstractenglish	Breast cancer is the most common invasive cancer affecting women around the world, with a probability of lethality of 2,6. In Colombia, it is estimated that approximately 13,380 women suffered from this type of cancer in 2018, according to data from the Global Cancer Observatory. The grading of breast cancer corresponds to visual inspection of histological images by expert pathologists. This analysis makes it possible to estimate the aggressiveness of the cancer and also its recurrence. In particular, three histological features are evaluated: tubule formation, nuclear pleomorphism and nuclear activity, three histological features are evaluated: tubule formation, nuclear pleomorphism and mitotic activity. Since there are differences in the selection of regions of diagnostic interest, as well as differences in the interpretation of protocols, there is often significant inter-observer variability in histologic grade. Several automatic supervised learning techniques based on feature engineering, and also on deep learning schemes, have been proposed in the automatic analysis of breast cancer histological images. These techniques have reported successful results on limited image sets. In this work we explored an unsupervised deep learning strategy for the identification of visual features relevant to the clinical diagnosis of breast cancer. breast cancer clinical diagnosis. This approach was evaluated by making use of PSNR to measure image reconstruction where 88,24412 dB was obtained on this measure. In the classification task we used images from 11 patients where 2 were for evaluation, the results obtained were 0.697 in the area under the ROC curve AUC.
dc.description.cvlac	Navas Burgos, María Fernanda
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
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/20.500.14071/11929
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería de Sistemas
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
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	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Aprendizaje no supervisad
dc.subject	histopatología
dc.subject	cáncer de mama
dc.subject.keyword	unsupervised learning
dc.subject.keyword	histopathology
dc.subject.keyword	breast cancer
dc.title	Estrategia de aprendizaje no supervisado para el análisis de imágenes de histopatología en cáncer de mama
dc.title.english	Unsupervised learning strategy for histopathology image analysis in breast cancer
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
dspace.entity.type