Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Pertuz Arroyo, Said DavidAfricano Ardila, Gerson Fernando2023-04-0620232023-04-0620192019https://noesis.uis.edu.co/handle/20.500.14071/13431El diagnóstico temprano de cáncer de seno aumenta las posibilidades de supervivencia. Por ello, es importante la implementación de técnicas que permitan su detección temprana. A partir de la mamografía y con la ayuda de algoritmos específicos se pueden extraer características del seno, tales como la proporción de tejido denso, que es un factor de riesgo ya establecido. El problema con estos algoritmos es que no contemplan que la mamografía presente artefactos, los cuales pueden alterar las medidas tomadas de la imagen. En este documento se estudian dos tipos de artefactos que aparecen en algunas imágenes: dispositivos de ampliación e implantes de seno. El objetivo de este trabajo es estudiar estrategias para la detección automática de artefactos en imágenes mamográficas. Para ello, se estudiaron 3 tipos de métodos: métodos empíricos, métodos de sub-espacios, entre los que se consideraron 3 modelos diferentes (RL paso a paso, PCA+RL y LDA+RL), y métodos basados en machine learning (SVM y boosting trees). Los mejores desempeños con cada uno de los tipos de métodos en la clasificación de las imágenes fueron, 23,18 % de error para el método empírico, 5,63 % para el método de sub-espacios (LDA+RL) y 4,5 % con machine learning (boosting tree).application/pdfspainfo:eu-repo/semantics/openAccessArtefactoCáncerMamografíaUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coArtifactCancerMammographyhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)