Algoritmo para la clasificación de lesiones en tomosíntesis digital de mama.

Galvis Flórez, Karol Juliana; González Santamaría, Mirna Lorena

Algoritmo para la clasificación de lesiones en tomosíntesis digital de mama.

dc.contributor.advisor	Pertuz Arroyo, Said David
dc.contributor.author	Galvis Flórez, Karol Juliana
dc.contributor.author	González Santamaría, Mirna Lorena
dc.contributor.evaluator	Niño Niño, Carlos Andrés
dc.contributor.evaluator	Rodriguez Ferreira, Julian Gustavo
dc.date.accessioned	2022-11-04T17:43:48Z
dc.date.available	2022-11-04T17:43:48Z
dc.date.created	2022-11-03
dc.date.issued	2022-11-03
dc.description.abstract	En los últimos años se han desarrollado diferentes herramientas para ayudar a la detección temprana del cáncer de mama a partir de modalidades de imagen como la mamografía, la resonancia magnética, la tomosíntesis, entre otras. La tomosíntesis digital de mama (DBT, por sus siglas en inglés) es una nueva modalidad de imagen que ha demostrado reducir la tasa de rellamadas falsas en comparación con la mamografía. Sin embargo, las investigaciones sobre el análisis computarizado de imágenes DBT son escasas debido a que la mamografía es la modalidad más utilizada y el foco de atención de la comunidad investigadora hasta el momento. Debido a su ventaja sobre la mamografía, es muy importante explorar el uso de DBT para la clasificación automática de lesiones mamarias, como un esfuerzo para contribuir con este tema de investigación. Este trabajo se centra en la clasificación de lesiones en imágenes DBT de la base de datos Breast Imaging Archive, diseñando e implementando un algoritmo de aprendizaje automático para esta tarea. En primer lugar, se realizó un preprocesamiento de las imágenes para mejorar el proceso posterior de extracción de características. Luego, se entrenó un modelo lineal generalizado con regresión por pasos, que emplea la regresión logística como clasificador, y usa regresión paso a paso, forward y backward, para seleccionar las características más relevantes para el modelo final. Finalmente, la validación se realizó mediante leave-one-out cross-validation. El algoritmo desarrollado tiene un rendimiento aceptable de AUC = 0,651 (IC 95%: 0,537 - 0,766), que podría mejorarse en futuras investigaciones agregando más anotaciones de diferentes pacientes al conjunto de datos e incorporando otras etapas, como la fase de detección del cáncer de mama. Además, este trabajo introdujo una nueva forma de clasificar las lesiones utilizando bases de datos públicas con anotaciones de imágenes DBT limitadas.
dc.description.abstractenglish	In recent years, different tools have been developed to help early detection of breast cancer from imaging modalities such as mammography, magnetic resonance imaging, tomosynthesis, among others. Digital Breast Tomosynthesis (DBT) is a new imaging modality that has been demonstrated to reduce false recall rates compared to mammography. However, researches on the computerized analysis of DBT images is scarce due to the fact that mammography are the most widely used modality, and the focus of the research community at the moment. Due to its advantage over mammography, it is very important to explore the use of DBT for the automatic classification of breast lesions, as an effort to contribute to this research topic. This work focuses on the classification of lesions in DBT images from the Breast Imaging Archive database, designing and implementing a machine learning algorithm for this task. First, a pre-processing of the images was carried out to improve the subsequent process of feature extraction. Then, a generalized linear model with stepwise regression was trained, which employs logistic regression as classifier, and uses forward and backward stepwise regression to select the most relevant features for the final model. Finally, validation was performed using leave-one-out cross-validation. The developed algorithm has an acceptable performance of AUC = 0.651 (95% CI: 0.537 - 0.766), which could be improved in future research by adding more annotations from different patients to the dataset and incorporating other stages, such as breast cancer detection phase. Additionally, this work introduced a new way to classify lesions using public databases with limited DBT image annotations.
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/20.500.14071/11907
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	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	DBT
dc.subject	Clasificación
dc.subject	Lesiones mamarias
dc.subject	Algoritmo
dc.subject.keyword	DBT
dc.subject.keyword	Classification
dc.subject.keyword	Breast Lesions
dc.subject.keyword	Algorithm
dc.title	Algoritmo para la clasificación de lesiones en tomosíntesis digital de mama.
dc.title.english	Algorithm for the classification of lesions in digital breast tomosynthesis.
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