Trabajo de grado - Maestría
Prototipo de un sistema de diagnóstico asistido por ordenador orientado a la localización de clusters de microcalcificaciones en mamografías
Registro en:
Universidad Tecnológica de Pereira
Repositorio Institucional Universidad Tecnológica de Pereira
Autor
Hernández Gómez, Kevin Alejandro
Institución
Resumen
En este trabajo se presenta la construcción metodológica para la implementación de un prototipo de aplicativo software que sirva como herramienta de apoyo al diagnóstico de cáncer de mama, a partir de las diferentes técnicas de procesamiento de imágenes y modelos de aprendizaje supervisado y no-supervisado. Tiene como aporte fundamental el hecho de que es una metodología que acopla diferentes etapas de procesamiento bastante robustas que permiten hacer un tratamiento desde la imagen
mamográfica en crudo hasta la recomendación final dada por el sistema (End-to-End).
En particular se consideró la técnica de realce de contraste de corrección gamma adaptativa con ponderación distribuida (AGCWD) y binarización de Otsu para la segmentación del tejido mamario, el segmentador K-means para la identificación del musculo pectoral, una red neuronal convolucional (CNN) para la localización de microcalcificaciones, un ensamble de redes neuronales artificiales (RNA) responsable de la clasificación y del proceso de búsqueda de imágenes similares. Además, se usó la
librería tkinter para la implementación de la interfaz gráfica de usuario (GUI) en Python.
Para la validación de la metodología se usaron dos bases de datos, The Mammographic Image Analysis (mini-MIAS) y The Digital Database for Screening Mammography (DDSM). Image Analysis (mini-MIAS) y The Digital Database for Screening Mammography (DDSM). Los resultados obtenidos reflejan que esta metodología mejora sustancialmente el rendimiento en la eliminación de artefactos (99.78%), la precisión
en la remoción del musculo pectoral (92.14%), la reducción de falsos positivos en la detección de microcalcificaciones (0.47 por imagen), y aumento en el acierto en la clasificación según el estándar BI-RADS (82%) en comparación a otros trabajos en el estado del arte. This work presents the methodological construction for the implementation of a prototype software application that serves as a support tool for breast cancer diagnosis, based on different image processing techniques and supervised and unsupervised learning models. Its fundamental contribution is the fact that it is a methodology that couples different processing stages quite robust that allow a treatment from the raw mammographic image to the final recommendation given by the system (End-to-End).
In particular, the contrast enhancement with adaptive gamma correction weighting distribution (AGCWD) and Otsu binarization technique was considered for the segmentation of breast tissue, the K-means segmenter for the identification of pectoral muscle, a convolutional neural network (CNN) for the localization of microcalcifications, an assembly of artificial neural networks (ANN) responsible for the classification and the search process of similar images. In addition, the tkinter library was used for the
implementation of the graphical user interface (GUI) in Python. Two databases, The Mammographic Image Analysis (mini-MIAS) and The Digital Database for Screening Mammography (DDSM), were used to validate the methodology. The results obtained reflect that this methodology substantially improves the performance in the elimination of artifacts (99.78%), the accuracy in the removal of the pectoral muscle
(92.14%), the reduction of false positives in the detection of microcalcifications (0.47 per image), and the increase in the accuracy in the classification according to the BI RADS standard (82%) in comparison to other works in the state of the art Maestría Magíster en Ingeniería Eléctrica Indice
1. Resumen 1
2. Abstract 2
3. Introducción 3
4. Planteamiento del problema 4
5. Justificación 8
6. Objetivos 9
6.1. General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
6.2. Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
7. Revision del estado del arte 10
7.1. Eliminacion de artefactos y remoción del musculo pectoral . . . . . . 10
7.2. Deteccion de clusters de microcalcificaciones . . . . . . . . . . . . . . 11
7.3. Clasificación de clusters de microcalcificaciones . . . . . . . . . . . . . 12
8. Marco Teórico 14
8.1. Eliminacion de ruido y supresion de artefactos . . . . . . . . . . . . . 15
8.1.1. Realce de contraste por corrección gamma adaptativa con ponderación distribuida . . . . . . 15
8.1.2. Segmentación del tejido mamario . . . . . . . . . . . . . . . . 16
8.2. Remocion del musculo pectoral . . . . . . . . . . . . . . . . . . . . . 18
8.2.1. Segmentacion del musculo pectoral con K-medias . . . . . . . 19
8.2.2. Correccion del contorno con aproximación polinomial . . . . . 20
8.3. Deteccion y localizaci´on de microcalcificaciones . . . . . . . . . . . . 22
8.3.1. Deteccion de MC con CNN . . . . . . . . . . . . . . . . . . . 22
8.3.2. Realce de contraste, segmentación y filtrado de MC . . . . . . 24
8.4. Clasificación de microcalcificaciones según su categoría BI-RADS . . 26
8.4.1. Escala BI-RADS . . . . . . . . . . . . . . . . . . . . . . . . . 26
8.4.2. Extracci´on de características . . . . . . . . . . . . . . . . . . . 27
8.4.3. Redes Neuronales Artificiales . . . . . . . . . . . . . . . . . . 27
8.4.4. Sistema de recuperación de imágenes de microcalcificaciones . 28
9. Marco experimental 30
9.1. Bases de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
9.2. Resultados de las pruebas de eliminación de artefactos . . . . . . . . 31
9.3. Resultados de las pruebas de remoción del musculo pectoral . . . . . 32
9.4. Resultados de las pruebas de detección y localización de MC . . . . . 34
9.5. Resultados de las pruebas de clasificacion de MC según su categoría BI-RADS . . . . . . 36
9.6. Diseño de la interfaz del sistema DAO . . . . . . . . . . . . . . . . . 37
10.Conclusiones 41
11.Resultados académicos 44
12.Agradecimientos 45
13.Bibliografía 46