Título: Clasificación de lesiones mamarias sobre la base ...

i

, junio 2019

Departamento de Automática y Sistemas Computacionales

Título: Clasificación de lesiones mamarias sobre la base de inteligencia

artificial

Autor: Luis Alberto López Rodríguez

Tutores: DrC. Marlen Pérez Díaz, MSc. José Daniel López Cabrera

i

Este documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de

Las Villas, y se encuentra depositado en los fondos de la Biblioteca Universitaria “Chiqui

Gómez Lubian” subordinada a la Dirección de Información Científico Técnica de la

mencionada casa de altos estudios.

Se autoriza su utilización bajo la licencia siguiente:

Atribución- No Comercial- Compartir Igual

Para cualquier información contacte con:

Dirección de Información Científico Técnica. Universidad Central “Marta Abreu” de Las

Villas. Carretera a Camajuaní. Km 5½. Santa Clara. Villa Clara. Cuba. CP. 54 830

Teléfonos.: +53 01 42281503-1419

ii

PENSAMIENTO

“No entiendes algo hasta que lo aprendes a hacer de más de una forma”.

Marvin Minsky

iii

DEDICATORIA

A todas aquellas personas que han tenido el infortunio de padecer cáncer de mama.

iv

AGRADECIMIENTOS

A toda mi familia, en especial a mi mamá, mi papá, mi hermano y mi abuela por sacrificarse

tanto por mí en todos los momentos de mi vida.

A mis tutores, la DrC. Marlen Pérez Díaz y el MSc. José Daniel López Cabrera, por su apoyo

incondicional y hacerme sentir que la presente tesis era tanto de ellos como mía.

A todos mis amigos, aunque ellos no lo sepan y posiblemente ni se lo crean si se los digo,

por haber sido mi principal fuente de conocimiento en todos estos años de estudio.

A mi amiga Elizabeth por asistirme durante el trabajo de la presente tesis.

A mi novia Karla por ayudarme en los momentos de dificultad de esta importante parte de

mi vida.

v

RESUMEN

El cáncer de mama es el más frecuente en el sexo femenino. La mamografía ha demostrado

ser el método más eficaz para la detección precoz del cáncer de mama, permitiendo

diagnosticar la enfermedad en su etapa inicial. Las imágenes mamográficas resultan en

ocasiones de difícil comprensión, producto de la propia naturaleza de las anomalías de

mamas, al bajo contraste imagen y por la composición de los tejidos mamarios, así como a

factores tecnológicos diversos como la resolución espacial de la imagen o el ruido. Los

sistemas de diagnósticos asistidos por computadora (CAD), se han desarrollado para

aumentar la exactitud de los exámenes mamográficos y ser usados por los médicos como

segunda opinión para obtener el diagnóstico final, con el objetivo de lograr disminuir los

errores humanos. Las redes neuronales convolucionales son tendencia actual en la

clasificación automática de lesiones en mamografía, debido al gran desempeño que han

logrado. La presente tesis se basó en este tipo de redes para clasificar las lesiones mamarias

detectadas, en benignas o malignas. Debido a que la base de datos miniMIAS utilizada,

cuenta con una baja cantidad de imágenes, para entrenar este tipo de redes neuronales, se

aplicó la técnica “transfer learning” de redes ya pre-entrenadas “Inceptionv3” y

“Googlenet”. Se les modificaron las últimas capas, y se volvió a entrenar con la base de datos

miniMIAS para que se ajustara al problema planteado. Se implementaron 2 arquitecturas de

redes neuronales convolucionales obteniéndose, en la arquitectura con 3 clases, un 86.05 %

de exactitud, con 30 clasificaciones erróneas; mientras que, en la arquitectura con 2 redes

neuronales en serie, se alcanzó una exactitud de 88,2 % con 5 falsos positivos y 5 falsos

negativos totales.

vi

ABSTRACT

Breast cancer is the most frequent in females. Mammography has proven to be the most

effective method for the early detection, allowing diagnosis in its initial stage.

Mammographic images are sometimes difficult to understand, due to the nature of breast

abnormalities, the low contrast due to the composition of mammary tissues and various

technological factors, such as spatial resolution and noise. Computer-aided diagnosis systems

(CAD) have been developed to increase the accuracy of mammographic examinations and

they have been used by physicians as a second opinion to obtain the final diagnosis, with the

aim of reducing human errors. The convolutional neural networks are current trend in

automatic classification of lesions in mammography, due to the great performance they have

achieved. The present thesis was based on this type of networks to classify breast lesions

detected in benign or malignant. Because the miniMIAS database used, has a low number of

images, to train this type of neural networks, the "transfer learning" technique of pre-trained

networks "Inceptionv3" and "Googlenet" was applied. The last layers were modified, and the

miniMIAS database was re-trained to fit the problem. Two convolutional neural network

architectures were implemented, obtaining in the architecture with 3 classes, 86.05%

accuracy, with 30 erroneous classifications; whereas, in the architecture with 2 neural

networks in series, an accuracy of 88.2% was reached with 5 false positives and 5 false

negatives.

vii

TABLA DE CONTENIDOS

PENSAMIENTO ................................................................................................................... ii

DEDICATORIA ................................................................................................................... iii

AGRADECIMIENTOS ......................................................................................................... iv

RESUMEN ............................................................................................................................. v

ABSTRACT ........................................................................................................................... vi

GLOSARIO ............................................................................................................................ 1

INTRODUCCIÓN .................................................................................................................. 2

Organización del informe ................................................................................................... 5

CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA ................................................................. 6

1.1 Imagen médica ......................................................................................................... 6

1.2 Imagen médica digital .............................................................................................. 7

1.3 Fundamentos físicos de la obtención de imágenes por rayos X ............................... 8

1.3.1 Detectores de rayos X ....................................................................................... 9

1.4 Calidad de imagen .................................................................................................. 10

1.4.1 Contraste imagen ............................................................................................ 10

1.4.2 Resolución Espacial ........................................................................................ 10

1.4.3 Ruido ............................................................................................................... 11

1.4.4 Artefactos ........................................................................................................ 11

viii

1.5 Lesiones mamarias ................................................................................................. 11

1.6 Mamografía ............................................................................................................ 13

1.7 Sistemas CAD ........................................................................................................ 15

1.7.1 Preprocesamiento ............................................................................................ 15

1.7.2 Segmentación .................................................................................................. 16

1.7.3 Extracción de características ........................................................................... 16

1.7.4 Clasificación ................................................................................................... 16

1.8 Redes neuronales artificiales y convolucionales para clasificación ....................... 16

1.8.1 Breve historia .................................................................................................. 17

1.8.2 Elementos de la red neuronal artificial ........................................................... 17

1.8.3 Redes Neuronales Convolucionales ................................................................ 19

1.9 Utilización de las redes neuronales convolucionales dentro de los sistemas CAD

para clasificar lesiones ...................................................................................................... 22

CAPÍTULO 2. MATERIALES Y MÉTODOS ................................................................ 24

2.1 Base de datos .......................................................................................................... 24

2.2 Software MATLAB ............................................................................................... 25

2.2.1 Image Processing Toolbox .............................................................................. 25

2.2.2 Deep Learning Toolbox .................................................................................. 27

2.2.3 Parallel Computing Toolbox .......................................................................... 32

2.3 Hardware ............................................................................................................... 32

CAPÍTULO 3. RESULTADOS Y DISCUSIÓN ............................................................. 35

3.1 Resultados .............................................................................................................. 35

3.1.1 Arquitectura con tres clases ............................................................................ 35

3.1.2 Arquitectura con dos redes neuronales en serie .............................................. 38

ix

3.2 Comparación de resultados con la literatura científica .......................................... 44

3.2.1 Trabajos Nacionales ........................................................................................ 44

3.2.2 Trabajos Internacionales ................................................................................. 44

3.3 Análisis económico ................................................................................................ 45

3.4 Conclusiones del capítulo ...................................................................................... 45

CONCLUSIONES Y RECOMENDACIONES ................................................................... 47

Conclusiones ..................................................................................................................... 47

Recomendaciones ............................................................................................................. 47

REFERENCIAS BIBLIOGRÁFICAS ................................................................................. 48

ANEXOS .............................................................................................................................. 54

Anexo I Código del programa para entrenar la red ...................................................... 54

Anexo II Código del programa para extraer las regiones de interés y conformar la

base de datos de dos clases ............................................................................................... 56

Anexo III Código del programa para extraer las regiones de interés y conformar la base

de datos de 3 clases ........................................................................................................... 59

GLOSARIO 1

GLOSARIO

• BD (Base de Datos): Imágenes de mamografía “MiniMammographic”.

• CAD: Sistema de diagnóstico asistido por computadora.

• ML: “Machine Learning” Aprendizaje Automático.

• DL: “Deep Learning” Aprendizaje Profundo.

• CNN: “Convolutional Neural Network” Redes Neuronales Convolucionales.

INTRODUCCIÓN 2

INTRODUCCIÓN

El cáncer de mama es una enfermedad que tiene origen una vez que las células empiezan a

crecer en forma descontrolada formando un tumor, el cuál es maligno si crece invadiendo los

tejidos circundantes o se propaga a áreas distantes del cuerpo. El tumor normalmente se

puede observar en una radiografía o se puede palpar como una protuberancia. El cáncer de

mama puede ocurrir en los dos sexos, pero en el caso de los hombres su incidencia es solo

de un 1 %, siendo mucho más común en el caso de las mujeres (American Cancer Society,

s. f.).

Según datos de la Organización Mundial de la Salud (OMS), el cáncer de mama constituye

un grave problema de salud global, por su morbilidad y mortalidad, con aproximadamente

1,5 millones de casos nuevos cada año, y es el cáncer más frecuente en el sexo femenino a

nivel mundial, con un 16% del total. Cuba no es un país que difiera de estas estadísticas, ya

que, según datos del Registro Nacional del Cáncer, más de 3 000 mujeres son diagnosticadas

cada año con esta enfermedad. Asimismo, según el Anuario Estadístico de Salud del año

2017, el cáncer de mama ocupa el segundo puesto, tanto para la tasa de mortalidad como la

de incidencia (Granma, 2018).

Las mejores estrategias para evitar la enfermedad se basan en la prevención primaria y el

diagnóstico precoz, razón por la que el autoexamen de mamas desempeña un papel vital.

Varios factores de riesgo, como los genes y los antecedentes familiares, no se pueden

controlar; sin embargo, realizar algunos cambios en el estilo de vida puede reducir la

probabilidad total de sufrir este tipo de patología. Entre los factores de riesgo relacionados

con los estilos de vida que contribuyen en gran medida a la aparición del cáncer de mama, se

pueden señalar: exceso de peso, consumo de alcohol, hábito de fumar, factores dietéticos,

INTRODUCCIÓN 3

exposición a radiación, exposición a campos magnéticos, exposición a plaguicidas, entre

otros (Cuba, 2016).

La prevención de enfermedades es el principal factor a tener en cuenta desde el punto de vista

del tratamiento de cualquier enfermedad en la medicina. Por esto es que se recomienda que

las mujeres con probabilidades altas de riesgo de tener cáncer se realicen un diagnóstico por

lo menos una vez al año como medida preventiva. Se ha demostrado, que las mujeres que se

realizan estudios mamográficos frecuentes, se les detecta el cáncer en sus primeras etapas,

allí donde los métodos actuales son más efectivos; logrando un descenso en la mortalidad

(Torres et al., 2007).

La mamografía ha demostrado ser el método más eficaz para la detección precoz del cáncer

de mama, permitiendo diagnosticar la enfermedad en su etapa inicial. Otras técnicas, como

el ultrasonido, la imagen de resonancia magnética, la tomografía computacional, han

demostrado su utilidad para el estudio e identificación de estas anomalías, pero no son tan

eficaces para la detección temprana (Frutos Arenas et al., 2011).

El cáncer de mama se manifiesta básicamente por algunos tipos de lesiones características

como son: masas (tumores grandes, de muy bajo contraste imagen respecto al tejido normal

que pueden ser malignos o benignos); microcalcificaciones, que son diminutos puntos de

hidroxiapatita u oxalato de calcio, que cuando están presentes, son señal de una mama

enferma o que pronto se va a enfermar. Son tan diminutas que si la imagen presenta mucho

ruido, el contraste no es bueno o la resolución espacial del equipo no es suficiente, no son

apreciables; y por último, conductos galactóforos con anomalías, como puede ser la

infiltración cancerígena (Rodríguez López, 2012).

El fallo durante la detección de una lesión de mama no solo depende del tamaño de esta o el

nivel de contraste, sino también de la sensibilidad del mamógrafo, así como la habilidad del

radiólogo que las detecta y de las condiciones bajo las que las visualiza (Perez-Diaz, 2014).

Los sistemas de diagnósticos asistidos por computadora o computer aided diagnosis (CAD)

se han desarrollado para aumentar la sensibilidad de los exámenes mamográficos, al marcar

regiones sospechosas en mamografías como microcalcificaciones y masas (Henriksen,

Carlsen, Vejborg, Nielsen, & Lauridsen, 2019). Antes del avance de la inteligencia artificial,

la mayoría de estos sistemas constaban de cuatro etapas: pre-procesamiento de datos,

INTRODUCCIÓN 4

segmentación de la lesión, extracción de características, y clasificación (Landin, 2008). En

la actualidad, con el avance de las técnicas de aprendizaje profundo o deep learning, la

extracción de características queda implícita dentro del método de clasificación. De hecho,

los sistemas CAD han adquirido un significado más amplio con este enfoque.

El objetivo principal del sistema automatizado es mejorar la precisión del diagnóstico. Los

médicos utilizan los sistemas CAD como segunda opinión para obtener el diagnóstico final

con el objetivo de lograr disminuir los errores humanos. Se ha apreciado que las

computadoras, una vez entrenadas, pueden obtener clasificaciones mucho más rápidas que

los médicos, por lo que esto ayuda en la clasificación en tiempo real.

El “Machine Learning” (ML) para el diagnóstico de cáncer de mama ha logrado un gran

desarrollo en los últimos años. Las redes neuronales convolucionales o Convolutional Neural

Network (CNN) están muy extendidas, representan arquitecturas de DL y tienen resultados

alentadores para las aplicaciones de reconocimiento de imágenes, incluidas las imágenes

médicas (Benzebouchi, Azizi, & Ayadi, 2019).

Durante la tesis desarrollada por (Suárez, 2018) se desarrolló un sistema CAD, el cual

contaba con 3 de las 4 etapas mencionadas anteriormente; faltando solamente la etapa de

clasificación, para que fuera un sistema CAD propiamente dicho. Debido a esto es que, en la

presente tesis, se desarrolla un algoritmo basado en CNN para la clasificación de lesiones

mamarias, con el objetivo de mejorar el sistema CAD anteriormente mencionado.

Justificación de la investigación

Las imágenes mamográficas resultan en ocasiones de difícil comprensión, producto de la

propia naturaleza de las anomalías de mamas, al bajo contraste que se produce en las

imágenes por la composición de los tejidos mamarios y a factores tecnológicos diversos como

la resolución de la imagen o el ruido. Las lesiones pueden ser imperceptibles, o se pueden

confundir patrones, arrojando falsos positivos o falsos negativos. La doble lectura de las

mamografías (dos radiólogos analizan la misma mamografía) es recomendado para disminuir

el margen de error. Actualmente, la biopsia sirve como estándar dorado para confirmar si el

paciente tiene cáncer de mama o no. Desafortunadamente la biopsia está conectada a un

proceso invasivo que, en algunos casos, se hace innecesariamente, debido a un mal

diagnóstico o ambigüedad. En este sentido, crear un sistema CAD con una etapa de

INTRODUCCIÓN 5

clasificación, basada en redes neuronales, que pueda clasificar con un alto nivel de

sensibilidad y especificidad las regiones anómalas con microcalcificaciones y masas en

benignas o malignas, sería de gran ayuda para el especialista.

Problema de investigación

La dificultad a la que se enfrentan los radiólogos a la hora de detectar y clasificar las lesiones

de mama, en las imágenes digitales mamográficas, debido al bajo contraste que presentan

estas respecto al tejido sano.

Hipótesis

Es posible mejorar el sistema diagnóstico asistido por computadora ya desarrollado mediante

el empleo de redes neuronales para la clasificación de las lesiones mamarias detectadas en

malignas o benignas.

Objetivo general

Implementar una red neuronal que sea capaz de clasificar las principales lesiones mamarias

detectadas en benignas o malignas.

Objetivos específicos

1. Seleccionar las arquitecturas de redes neuronales más eficientes en la

clasificación de objetos en imágenes, que sea aplicable a imágenes de mamografía

digital.

2. Construir redes neuronales, entrenarlas y de acuerdo con sus resultados realizar

ajustes de optimización.

3. Valorar los resultados de la clasificación de las lesiones mamarias a través de las

redes neuronales implementadas contra la realizada por la anotación de una base

de datos.

Organización del informe

La presente tesis está organizada de la siguiente manera: Introducción, 3 Capítulos,

Conclusiones, Recomendaciones, 50 referencias bibliográficas y 2 anexos, contando con 63

páginas, donde se incluyen 15 figuras y 7 tablas.

CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA 6

CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA

En el presente capítulo primeramente se tratan los conceptos de imagen médica e imagen

médica digital, luego se ofrecen los fundamentos físicos que soportan las imágenes de la

mama mediante rayos X, así como los principales parámetros físicos a tener en cuenta en la

calidad de la imagen. Además, se describen las características que poseen las mamas para

una mejor comprensión de las bondades de la mamografía como principal método para

detectar el cáncer. También, se explica el papel de los sistemas CAD en la detección de

lesiones dudosas y el papel que juegan las redes neuronales, como una técnica de inteligencia

artificial útil, en la etapa de clasificación de los sistemas anteriormente mencionados.

1.1 Imagen médica

Las imágenes médicas son el resultado de las técnicas y procesos utilizados para crear

imágenes del cuerpo humano (o partes del mismo) para diversos fines clínicos, incluido el

estudio de la anatomía y función normales (Ganguly, Chakraborty, Balitanas, & Kim, 2010).

En el contexto clínico, las imágenes médicas más utilizadas son las provenientes de la

radiología o "imágenes clínicas". Muchas de las técnicas desarrolladas para imágenes

médicas también tienen aplicaciones científicas e industriales (Ganguly et al., 2010).

Las imágenes médicas abarcan diferentes modalidades y procesos de imagen para obtener

imágenes del cuerpo humano con fines de diagnóstico y tratamiento y, por lo tanto,

desempeñan un papel importante en las iniciativas para mejorar la salud pública de todos los

grupos de población. Además, las imágenes médicas con frecuencia se justifican en el

seguimiento de una enfermedad ya diagnosticada y / o tratada (World Health Organization,

s. f.).


Las imágenes médicas surgieron en noviembre de 1895 cuando Wilhelm Conrad Roentgen

descubrió los rayos-X. Más adelante se desarrollaron las imágenes radiológicas en tiempo

real, denominadas "fluoroscopia". En la década de 1920, los radiólogos comenzaron a dar a

los pacientes bario radiopaco en forma de enema y tomaron películas cuando el bario

atravesaba el tracto gastrointestinal, mejorando el contraste de las radiografías (Bradley,

2008).

Para 1973, George Luckey, de la compañía Kodak, presentó una solicitud de patente para

capturar imágenes de rayos X basadas en fotosensores, los cuales sustituían a la placa

fotográfica tradicional para la captura de la imagen. Fue entonces cuando aparece la era

digital en la radiografía, conocida como Radiografía Computarizada (CR por sus siglas en

inglés). En 1983 la compañía japonesa Fuji presenta el primer sistema CR comercial. Desde

entonces, se han desarrollado nuevos sistemas CR (variando la energía utilizada en los rayos

X e incorporando nuevos sensores) que son capaces de generar imágenes ya no solo de

estructuras óseas, sino de otros tejidos para diferentes tipos de estudios. Ejemplo de ello son

los estudios de mamografías, donde se usan los rayos X para la detección de

microcalcificaciones y masas, que tienen una densidad diferente con respecto al tejido

adiposo que lo rodea (Ortíz, Olmos Pineda, & Olvera López, 2015).

1.2 Imagen médica digital

Físicamente una imagen puede considerarse un objeto plano cuya intensidad luminosa y color

puede variar de punto a punto. Las imágenes monocromáticas (blanco y negro) se pueden

representar como una función continua y bidimensional de la luz y la intensidad, f(x,y), donde

para cada punto de la imagen (x,y), la función devuelve el valor de la intensidad luminosa

(nivel de gris) de la imagen (Ortiz Zamora, 2002).

Para que una imagen pueda ser procesada por una computadora es preciso someter la función

f(x,y) a un proceso de discretización. A este proceso se le denomina digitalización. La

digitalización descompone la imagen en una matriz de M x N celdas (píxeles), donde cada

píxel posee un valor de luminancia en niveles de gris. La función continua se divide en un

rango de n intervalos y se pueden enmarcar por ejemplo en 256 niveles de gris (8 bits). Los

sistemas modernos son capaces de discriminar 216 niveles de gris (16 bits) (Gonzalez &

Woods, 2002).


De acuerdo con lo anterior, una imagen médica digital es la representación gráfica

bidimensional de una estructura, región, órgano o tejido del cuerpo humano con fines

médicos a través de una matriz numérica.

Este avance trae consigo muchos beneficios:

▪ La imagen puede mostrarse en pantalla, almacenarse, trasmitirse por los

diferentes sistemas de comunicación para consultas remotas con otros médicos,

permitiendo la opinión de múltiples especialistas sin muchas complicaciones.

▪ La imagen puede ser manipulada, permitiendo mejorar diferentes parámetros de

la misma a través de técnicas de procesamiento digital.

▪ La imagen no es revelada por métodos químicos, por lo que su obtención es

mucho más rápida aumentando la agilidad y eficiencia en todo el proceso.

▪ Para una misma calidad de imagen el paciente es sometido a una menor cantidad

de radiación.

1.3 Fundamentos físicos de la obtención de imágenes por rayos X

La mayoría de las imágenes encontradas en la medicina clínica se generan al registrar las

propiedades físicas del tejido cuando se exponen a cierto tipo de radiación electromagnética.

La radiación electromagnética se compone de objetos cuánticos, llamados fotones. De

acuerdo con esto, podemos clasificar diferentes tipos de radiaciones electromagnéticas de

acuerdo a su frecuencia, siendo los rayos X aquellas que poseen una frecuencia entre 1018 y

1020 Hz (Birkfellner, 2016).

Los rayos X se generan cuando los electrones rápidos interactúan con objetos metálicos. La

energía cinética de un electrón adquirido durante la aceleración por un alto voltaje se

transforma parcialmente en energía electromagnética. Las máquinas de rayos X proporcionan

una gran cantidad de electrones enfocados en un punto pequeño (llamado punto focal) en un

material metálico, el ánodo. A medida que aumenta la energía cinética de los electrones, tanto

la intensidad (es decir, el número de fotones de rayos X) como la energía (que está

relacionada con la capacidad de los rayos X para penetrar en los tejidos y materiales sólidos)

de la radiación se incrementan también. En general, más del 99% de la energía cinética de


los electrones se convierte en calor, dejando menos del 1% disponible para la producción de

radiación x (Birkfellner, 2016). La Figura 1.1 muestra el principio de funcionamiento de un

tubo de rayos X.

Figura 1.1 Esquema del funcionamiento básico de un tubo de rayos X.

Las dos cantidades que definen la calidad y la intensidad de la radiación son el número de

electrones del filamento calentado y el voltaje utilizado para la aceleración, estos

generalmente se dan en unidades de miliamperes segundos [mAs] y kilovoltios [kV]

respectivamente (Birkfellner, 2016).

1.3.1 Detectores de rayos X

Los detectores de rayos X se pueden clasificar como detectores directos e indirectos o

detectores analógicos y digitales. Los detectores directos miden la carga eléctrica que resulta

de la ionización de los átomos en el detector. Los sistemas indirectos están basados en

centelladores. Los rayos X interactúan con materiales luminiscentes; estos emiten luz en o

cerca del rango visible cuando son golpeados por un fotón de rayos X. Estos fotones de luz

convertidos se envían a un fotodetector que registra el patrón como una imagen. Los


detectores analógicos cubren la forma "clásica" de imágenes, como películas radiográficas,

pantallas intensificadoras y placas radiográficas computadas. Solo el primero de estos tres

funciona como un sistema directo; los dos últimos son sistemas indirectos (Birkfellner,

2016).

1.4 Calidad de imagen

La calidad de una imagen médica está determinada por el método de imagen, las

características del equipo y las variables de imagen seleccionadas por el operador. Para que

estas imágenes sean válidas y útiles para el radiólogo, es necesario tener en cuenta varios

parámetros físicos que influyen en la calidad de estos. Los parámetros que determinan la

calidad de la imagen son el ruido aleatorio, la no presencia de artefactos, la resolución

espacial y el contraste imagen.

1.4.1 Contraste imagen

Es la diferencia de intensidad luminosa entre dos zonas u objetos distintos. La mama está

compuesta por tejidos blandos y las anomalías no difieren mucho de las zonas sanas en cuanto

a atenuación de los fotones X. Por esta razón es importante lograr un contraste adecuado, el

cual depende fundamentalmente de la diferencia de potencial pico entre cátodo y ánodo

(kVp), además de la calidad de la radiación que está determinada por la corriente que

alimenta el tubo de rayos X (mAs), el filtrado de los rayos X de menor energía y de la cantidad

de radiación dispersa presente en la imagen (Efecto Compton) (Seeram, 2019).

1.4.2 Resolución Espacial

Se entiende el número de píxeles mostrados en la imagen por unidad de longitud. A mayor

resolución espacial, detalles de menor tamaño pueden ser apreciados sobre la imagen, lo que

es muy importantes para definir por ejemplo los pequeños puntos que representan las

microcalcificaciones. Si la resolución no es la suficientemente buena, no se podrían observar

o bien se mostrarían como puntos pocos definidos, unidos o borrosos, provocando una

incorrecta interpretación de la imagen. De igual modo, los bordes de estructuras y masas

tienden a emborronarse.


Elementos como el tamaño del punto focal, la colimación del haz, el tamaño de la matriz de

adquisición (tamaño del píxel) o el espesor de los detectores, determinan la resolución

espacial existente (Esteban, 2008).

1.4.3 Ruido

El ruido limita la visibilidad o capacidad de detección de los detalles de pequeño tamaño y

de los objetos de bajo contraste. Se describe como variaciones aleatorias de la intensidad

como consecuencia de la variación estadística del número de fotones que llegan al detector.

El elemento de adquisición que fundamentalmente determina el nivel de ruido aleatorio es la

corriente de tubo y el tiempo de adquisición (mAs). A medida que se incrementa este

producto, aumenta el flujo de electrones de cátodo a ánodo, produciendo un mayor número

de rayos X desprendidos, que van hacia el cuerpo del paciente y así aumenta la estadística de

señal útil presente en la imagen, disminuyendo el ruido aleatorio. En las imágenes por rayos

X, la distribución de ruido sobre la imagen responde a la estadística de Poisson (Bushberg &

Boone, 2011), donde la componente de ruido es la desviación típica de la media de la señal

(Intensidad del píxel).

1.4.4 Artefactos

Son elementos presentes en la imagen que no forman parte del objeto de estudio. Pueden

aparecer por movimientos voluntarios o involuntarios del paciente y suciedades en los

detectores, o variaciones en la densidad óptica de la imagen, que no reflejan las verdaderas

diferencias de atenuación de la radiación en el tejido (Huo, Li, & Lu, 2016).

1.5 Lesiones mamarias

La mama consiste principalmente como se puede observar en la Figura 1.2 en lobulillos que

son las glándulas productoras de leche, los conductos que son tubos diminutos que llevan la

leche desde los lobulillos hasta el pezón, tejido adiposo o grasa, tejido conectivo que es el

que rodea los conductos y los lobulillos y los vasos sanguíneos y linfáticos. La mayoría de

los cánceres de mama comienzan en las zonas alrededor de los conductos, pero tienen

posibilidades de formarse en otros tejidos (Chávez Guadarrama & González Flores, 2016).


Figura 1.2 Anatomía de la mama desde una vista frontal

En 1993 el Colegio Americano de Radiología o American College of Radiology (ACR)

desarrolló el sistema Breast Imaging Reporting and Data System (BI-RADS), que es un

método para clasificar los hallazgos mamográficos. Actualmente se considera el idioma

universal en el diagnóstico de la patología mamaria. Este permite estandarizar la terminología

en los informes mamográficos; además, categoriza las lesiones estableciendo el grado de

sospecha y asigna la actitud a tomar en cada caso (Aibar et al., 2011).

Según el BI-RADS existe un gran número de lesiones o anormalidades que pueden estar

presentes en la mama. Algunos de estas anormalidades, que pueden ser indicadores de cáncer

de mama y que un radiólogo busca al analizar una mamografía, son asimetría, distorsión de

la arquitectura, microcalcificaciones y masas (Rodríguez López, 2012).

Al analizar una mamografía, una de las primeras tareas que realiza un radiólogo, es comparar

las mamografías de ambas mamas para detectar si existe una asimetría entre éstas. Las

asimetrías son áreas de tejido de densidad fibroglandular que son más extensas en una mama

que en la otra. La asimetría puede ser el indicador de la presencia de una masa o de una

variación en la distribución del tejido normal (Rodríguez López, 2012).


La distorsión de la arquitectura es definida como una distorsión focal de la arquitectura

normal de la mama sin la presencia de masas visibles. Se puede visualizar como espículas

que irradian desde un punto común, formando un patrón similar al de una estrella. La

distorsión de la arquitectura puede ser un indicador de malignidad cuando es complementado

con la identificación de masas, calcificaciones o asimetrías (Rodríguez López, 2012).

Las microcalcificaciones son diminutas acumulaciones cristalinas de calcio en el tejido

mamario. Su patrón de agrupación y morfología son indicadores de malignidad. Por regla

general, las microcalcificaciones más grandes con forma oval o redonda y tamaño uniforme,

están asociadas a procesos benignos, mientras que las asociadas a procesos malignos son más

pequeñas, irregulares, polimórficas y con variaciones en su tamaño (Rodríguez López, 2012).

Una masa es una estructura tridimensional que tiene, total o parcialmente, bordes externos

convexos y es evidente en al menos dos proyecciones de la mama. Cuando una masa es sólo

vista en una de las proyecciones se le denomina asimetría hasta que un análisis confirme su

tridimensionalidad. Regularmente, los radiólogos caracterizan una masa por su densidad, sus

márgenes y su forma. La clasificación de estas masas depende en gran parte de su forma. Si

es redonda, tiene una alta probabilidad de asociarse con una patología benigna, mientras que

si es espiculada, tiene mayor probabilidad de ser maligna (Rodríguez López, 2012).

1.6 Mamografía

El término mamografía o mamografía convencional, se refiere al proceso de obtención de

radiografías de la totalidad de la mama, mediante la emisión de rayos x y recepción de la

imagen en película radiográfica, sin la utilización de medios de contraste o detector digital.

Al estudio de la mama mediante la mamografía, se han ido incorporando nuevas tecnologías

que hoy por hoy, son complementarias de la misma (Andrés, 2007).

Los inicios de la mamografía se remontan a la primera mitad del siglo pasado, desde entonces

los estudios radiográficos han crecido vertiginosamente hasta convertirse en una de las ramas

más importantes de la medicina moderna. Tanto así que en los años 90 surge y se desarrolla

la mamografía digital, primero utilizando la técnica “Computed Radiography”, un método

digital indirecto, y luego utilizando una técnica completamente digitalizada, “Digital

Radiography” en sus variantes directa e indirecta (Frutos Arenas et al., 2011).


Los mamógrafos poseen características particulares que los diferencian del resto de los

equipos de rayos X. Los rangos de kV son más bajos, (de 22 a 40 kilo volts) para mejorar el

contraste imagen. El punto focal es pequeño, de 0.1mm a 0.3mm para mejorar la resolución

espacial. El ánodo y los filtros son usualmente de molibdeno (Ortíz et al.), rodio (Rh) o

wolframio (W), materiales que, en dependencia del espesor y densidad de las mamas

proporcionan mejores relaciones de contraste y bajo ruido. La distancia foco –detector es del

orden de los 65 cm para disminuir la distorsión (Sprawls, 2003).

En general, se puede considerar que la frase calidad de imagen mamográfica indica la

claridad con la que se pueden percibir detalles radiológicamente significativos en una

imagen. A su vez, la alta calidad de la imagen mamográfica debería contribuir a un alto

rendimiento en la detección y el diagnóstico del cáncer de mama. Sin embargo, no existe un

estándar bien definido para especificar la calidad de la imagen mamográfica (Haus & Yaffe,

2000). Aun logrando la optimización de la calidad de imagen no es suficiente, ya que existen

dificultades al diferenciar el tejido sano de las microcalcificaciones y las masas, debido al

bajo contraste que existe entre ellos.

La diferencia de composición y densidad entre los tejidos adiposos y glandular de la mama

deben ser suficientes para que se produzcan diferencias en la absorción (por efecto

fotoeléctrico) y la dispersión (por efecto Compton) de los fotones de rayos X, al atravesar la

mama, cuando su energía es adecuada. Esto se traduce en diferencias de contraste sobre la

imagen. El contraste imagen debe expresar las diferencias de absorción y dispersión entre el

tejido glandular y las masas tumorales. Las diferencias más pronunciadas se obtienen con

fotones de baja energía. Sin embargo, aún para estas energías, las diferencias

correspondientes al tejido glandular y los carcinomas son pequeñas. Las diferencias entre las

calcificaciones y el tejido glandular son más acusadas, pero su diminuto tamaño hace que se

necesite muy buena resolución para que sean visibles en la imagen mamográfica (Baños &

Alegría, 2003).

Una posibilidad de mejorar el diagnóstico y disminuir el número de falsos negativos y falsos

positivos, consiste en utilizar sistemas CAD. Un sistema de CAD analiza la imagen médica

y trata de detectar zonas sospechosas de contener alguna anomalía. Estas zonas son marcadas

sobre la propia imagen con un doble objetivo: llamar la atención del profesional hacia la zona


sospechosa y aportar una hipótesis plausible respecto al diagnóstico (Rodríguez López,

2012).

1.7 Sistemas CAD

Gracias a que la tecnología digital ha revolucionado la radiografía, es que se han desarrollado

muchos sistemas de diagnóstico asistidos por ordenador o Computer Aided Diagnosis

(CAD), siendo objeto de estudio para muchos investigadores y radiólogos (Landin, 2008).

La doble lectura de mamografías (dos radiólogos leen las mismas mamografías) ha sido

recomendada para reducir la proporción de posibles tumores no detectados, pero la carga de

trabajo y los costos asociados son muy elevados. Sin embargo, con la introducción de los

sistemas CAD, sólo sería necesario el empleo de un radiólogo (Ramírez de la Espriella,

2011).

Para los investigadores existen varios temas de interés relacionados con la detección del

cáncer y los sistemas CAD, tales como: alta eficiencia y alta precisión en los algoritmos de

detección de lesiones patológicas (calcificaciones, masas, distorsiones de la arquitectura y

asimetrías bilaterales). Por otra parte, los radiólogos inclinan su atención a la efectividad

obtenida por la aplicación clínica de los sistemas CAD (Ramírez de la Espriella, 2011).

La mayoría los sistemas CAD constan de cuatro etapas: preprocesamiento, segmentación de

la lesión, extracción de características, y clasificación (Landin, 2008).

1.7.1 Preprocesamiento

Los procesos de mejora de la imagen consisten en una colección de técnicas que buscan

mejorar la apariencia visual de una imagen, adecuado para el análisis por un ser humano o

una máquina. La finalidad principal de este proceso es aumentar las diferencias de intensidad

entre las anomalías y el tejido sano (mejora del contraste imagen), así como realzar bordes,

lo cual implica mejorar la resolución espacial y se puede, además, disminuir el ruido aleatorio

(Suárez, 2018).


1.7.2 Segmentación

La segmentación es un paso fundamental. Su objetivo es la detección y separación de los

objetos de interés, del fondo que los rodea (Chen, 2011). Puede hacerse de modo manual o

automático.

En la práctica es común el uso de procedimientos de binarización en escala de grises; es decir,

clasificando los valores de intensidad de sus píxeles que tienen características homogéneas

en solo dos clases; (blancos para las estructuras de alta intensidad de píxeles y negro para las

de baja intensidad), etiquetados como primer plano u objetos, y sistemas de fondo (Suárez,

2018).

1.7.3 Extracción de características

Una vez segmentada la imagen, puede ser necesario extraer características de las distintas

regiones de interés seleccionadas, para facilitar la detección de anomalías. El espacio de

características puede ser muy grande y complejo, debido a la gran variabilidad que puede

darse tanto en el tejido sano como en el tejido normal. Para la selección y extracción de

características se pueden implementar métodos basados en características de intensidad,

textura y morfología (Wang et al., 2014).

1.7.4 Clasificación

Esta etapa constituye la etapa más fina y culminante de un sistema automatizado completo

para la detección de anomalías.

La clasificación consiste en buscar patrones que permiten ubicar cada anomalía detectada en

un grupo asociado a un diagnóstico determinado; por ejemplo: una microcalcificación

benigna o maligna, masa espiculada, circunscrita, estrellada, lobular, etc. Los clasificadores

que se implementan generalmente en estos sistemas son: los gaussianos, los K-media o las

redes neuronales. En ocasiones suelen combinarse proporcionando un mayor rendimiento

(Byra, Nowicki, Wróblewska-Piotrzkowska, & Dobruch-Sobczak, 2016).

1.8 Redes neuronales artificiales y convolucionales para clasificación

Las redes neuronales artificiales (RNA) están inspiradas en las redes neuronales biológicas

del cerebro humano, las cuales están constituidas por elementos que se comportan de forma


similar a la neurona biológica en sus funciones más comunes y que se encuentran organizados

de una forma parecida a la que presenta el cerebro humano. Debido a esto, las RNA presentan

ciertas características propias del cerebro, por ejemplo, las RNA aprenden de la experiencia,

generalizan de ejemplos previos a ejemplos nuevos y abstraen las principales características

de un conjunto de datos. De acuerdo con lo anterior, las RNA se puedan utilizar con éxito en

una gran variedad de aplicaciones en diferentes campos, como por ejemplo clasificación de

patrones en el campo de la medicina (Tepán & Cristina, 2013).

1.8.1 Breve historia

Las redes neuronales artificiales datan de 1943 cuando Warren McCulloch y Walter Pitts

crearon un modelo de neurona basado en algoritmos matemáticos. Seis años después, en

1949, el psicólogo Donald Hebb presenta una regla de aprendizaje “aprendizaje de Hebb”, la

cual planteaba que el valor de una conexión sináptica se incrementa si las neuronas de ambos

lados de dicha sinapsis se activan repetidas veces de forma simultánea. En 1957, Frank

RosenBlatt desarrolla el Perceptron, considerada la red neuronal más antigua. Se crearon

grandes expectativas con las posibles aplicaciones del Perceptron hasta que en 1969 Minsky

y Papert demostraron las grandes limitaciones que poseía esta red como el problema de la

función or-exclusiva y la segunda cuestión importante era que los ordenadores no tenían

suficiente poder de procesamiento para manejar eficazmente el gran tiempo de ejecución

requerido por las grandes redes neuronales. En los años 80’ se produce el renacimiento del

interés por el campo gracias a Rumelhart, Williams y Hinton los cuales realizaron

publicaciones de gran influencia utilizando ya el algoritmo de retropropagación creado por

Paul Werbos en 1975 que soluciona los problemas planteados de Minsky y Papert sobre el

Perceptrón y de manera general la velocidad de entrenamiento de las redes neuronales con

múltiples capas (Walczak, 2019).

1.8.2 Elementos de la red neuronal artificial

La unidad básica de toda red neuronal artificial son las neuronas, estas procesan un vector de

entradas y producen una salida única. En la Figura 1.3 se pueden observar los principales

elementos de la neurona:

• Las entradas son las señales que recibe de las neuronas de la capa anterior.


• Los pesos son el factor de importancia que poseen cada una de las conexiones

entre neurona y neurona. Estos pesos son valores numéricos que se modifican

durante el entrenamiento de la red neuronal hasta lograr un error permitido entre

la señal de salida de la red y la deseada.

• La función de propagación es una función propia de la neurona. La más

comúnmente usada es la suma ponderada de todas las entradas de la neurona.

• El “sesgo” es un valor numérico proveniente de una neurona de valor siempre 1

(es decir activada) con un peso b el cual se le agrega a la suma ponderada.

• La función de activación es la encargada de filtrar el valor obtenido por la función

de propagación con el objetivo de acotarlo. Dependiendo del objetivo por el que

se desea entrenar la red se escoge una u otra función de activación.

Figura 1.3 Principales elementos de una neurona artificial

Las redes neuronales artificiales están agrupadas por capas teniendo siempre una capa de

entrada y otra de salida, variando la cantidad de capas internas, o capas ocultas como también

se le conocen, y el número de neuronas por capas dependiendo de la aplicación o el problema

que se quiera resolver con la red neuronal. En la Figura 1.4 se puede observar una arquitectura

básica de una red neuronal artificial.


Figura 1.4 Arquitectura básica de las redes neuronales

1.8.3 Redes Neuronales Convolucionales

Las redes neuronales convolucionales o convolutional neural network (CNN) son una

estructura de red neuronal profunda, especializada en el reconocimiento de imágenes.

Realmente es una técnica “antigua” ya que fue desarrollada entre los años 1980 y 1990. Sin

embargo, fueron olvidadas por un tiempo y no fue hasta el 2012 que fueron retomadas. En la

actualidad han conquistado la mayoría de los campos de la visión por computadora y están

creciendo a un ritmo rápido.

Las CNN no son solo una red neuronal profunda que tiene muchas capas ocultas. Es una red

profunda que imita, cómo la corteza visual del cerebro procesa y reconoce las imágenes. Eso

es lo que distingue a las CNN en concepto y operación de las redes neuronales anteriores (P.

Kim, 2017).

Antes de las CNN, las extracciones de características habían sido diseñadas por expertos en

áreas específicas. Por lo tanto, requirió una cantidad significativa de costo y tiempo, mientras

que produjo un nivel de rendimiento inconsistente. Estos extractores de características eran

independientes de la técnica de ML a utilizar. Las CNN incluyen el extractor de

características en el proceso de entrenamiento en lugar de diseñarlo manualmente, y el simple

hecho de convertir el diseño de extracción manual de características en un proceso

automatizado, es su principal ventaja (P. Kim, 2017). La arquitectura básica de una CNN se

puede observar en la Figura 1.5.


Figura 1.5 Arquitectura básica de una CNN

Las capas de convolución generan nuevas imágenes llamadas mapas de características. Los

mapas de características acentúan las características únicas de la imagen original. La capa de

convolución opera de una manera muy diferente en comparación con las otras capas de la red

neuronal. Esta capa no emplea pesos de conexión y suma ponderada. En su lugar, contiene

filtros que generan imágenes, a estos filtros se les llama: filtros de convolución (P. Kim,

2017). El proceso de entrada de la imagen a través de los filtros de convolución produce los

mapas de características tal y como se ve en la Figura 1.6.

Figura 1.6 Filtros convolucionales y mapas de características


Las CNN son versiones regularizadas de perceptrones multicapa. Los perceptrones multicapa

generalmente se refieren a redes totalmente conectadas, es decir, cada neurona en una capa

está conectada a todas las neuronas en la siguiente capa. La "conexión total" de estas redes

las hace propensas a sobrecargar los datos. Las formas típicas de regularización incluyen

agregar alguna forma de medición de la magnitud de los pesos a la función de pérdida. Sin

embargo, las CNN adoptan un enfoque diferente hacia la regularización: aprovechan el

patrón jerárquico de los datos y ensamblan patrones más complejos utilizando patrones más

pequeños y más simples (P. Kim, 2017).

Las redes convolucionales se inspiraron en procesos biológicos en el sentido de que el patrón

de conectividad entre las neuronas se asemeja a la organización de la corteza visual animal.

Las neuronas corticales individuales responden a los estímulos solo en una región restringida

del campo visual conocida como campo receptivo. Los campos receptivos de diferentes

neuronas se superponen parcialmente de tal manera que cubren todo el campo visual (P. Kim,

2017).

Las CNN utilizan relativamente poco preprocesamiento, en comparación con otros

algoritmos de clasificación de imágenes. Esto significa que la red aprende y asimila los

filtros, mientras que en los algoritmos tradicionales se diseñaban a mano, como se hizo en

(Suárez, 2018).

Una red neuronal convolucional consta de una entrada y una capa de salida, así como

múltiples capas ocultas. Las capas ocultas de una CNN suelen consistir en capas

convolucionales (Convolutional Layer), capa RELU (RELU Layer) como función de

activación, capas agrupadas (Pooling Layer), capas completamente conectadas (Fully

Conected Layer) y capas de normalización (Normalization Layer).

En resumen, las CNN consisten en la conexión en serie de una red de extracción de

características y la red de clasificación. A través del proceso de entrenamiento, se determinan

los pesos de ambas capas. La capa de extracción de características tiene pares apilados de las

capas de convolución y agrupación. La capa de convolución convierte las imágenes a través

de la operación de convolución, la capa de agrupación reduce la dimensión de la imagen.


1.9 Utilización de las redes neuronales convolucionales dentro de los sistemas CAD

para clasificar lesiones

Antes de las CNN, se utilizaban otros clasificadores en los sistemas CAD. Destaca el trabajo

realizado en (Srivastava, Sharma, Singh, & Srivastava, 2013), en el cual se analizan varios

clasificadores con la base de datos MIAS obteniendo el mejor resultado con una máquina de

soporte de vectores o SVM (de las siglas en inglés de support vector machine) con una

exactitud de 84.57% una sensibilidad de 0.8261 y una especificidad de 0.8889.

El DL ha transformado profundamente el enfoque de análisis de imágenes asistidas por

computadora, distinguiéndolo fundamentalmente de los métodos CAD tradicionales (Gao,

Geras, Lewin, & Moy, 2019).

En (E.-K. Kim et al., 2018) se realizó un estudio con alrededor de 29 000 imágenes

mamográficas de 5 diferentes instituciones utilizando un clasificador basado en una CNN

con una sensibilidad de 76.1% y especificidad de 88.6% y un área bajo la curva o area under

curve (AUC) de 0.906. En (Benzebouchi et al., 2019) se propuso una CNN para la detección

y clasificación automática del cáncer de mama utilizando segmentos de la base de datos

Digital Database for Screening Mammography (DDSM) con una especificidad de 96.9%,

una sensibilidad de 98.9% obteniendo 3 falsos negativos y 1 falso positivo. En (Ribli,

Horváth, Unger, Pollner, & Csabai, 2018) se implementó un sistema CAD basado en una de

las plataformas de clasificación de objetos con más éxito, la Faster R-CNN. A partir de esta

arquitectura de red alcanzaron el segundo lugar en la competencia Digital Mammography

DREAM Challenge con un AUC de 0.85. En (Lotter, Sorensen, & Cox, 2017) se logró

alcanzar un AUC de 0.92 en la base de datos DDSM. En (Chougrad, Zouaki, & Alheyane,

2018) se desarrolló un sistema CAD basado en CNN logrando un AUC de 0.98 en la base de

datos DDSM, de 0.97 en la base de datos INbreast, 0.96 en la BCDR y 0.99 en la base de

datos MIAS.

1.10 Conclusiones del capítulo

A modo de conclusiones se puede plantear que mucho ha evolucionado la adquisición y

procesamiento de las mamografías; sin embargo, debido al bajo contraste y/o tamaño que

pueden tener las lesiones como las microcalcificaciones y las masas, en muchos casos siguen

siendo difíciles de detectar y aún más difíciles de clasificar en benignas o malignas. Los


sistemas CAD surgieron para ayudar a paliar este problema, y en específico las técnicas de

inteligencia artificial, como por ejemplo las redes neuronales convolucionales, las cuales son

tendencia actual en la clasificación automática de lesiones en mamografía debido a la mejora

de desempeño que han logrado.

CAPÍTULO 2. MATERIALES Y MÉTODOS 24

CAPÍTULO 2. MATERIALES Y MÉTODOS

En el presente capítulo se describe la base datos y el software utilizados. También, se analizan

los métodos empleados para aumentar la base de datos y se explica la arquitectura de la red

neuronal convolucional seleccionada, así como su proceso de entrenamiento. Además, se

caracteriza el hardware con el que se procesó toda la información y las capacidades de este

para el trabajo con redes neuronales convolucionales.

2.1 Base de datos

Se utilizó la base de datos de la Sociedad de Análisis de Imagen Mamográfica (MIAS

Database, por sus siglas en inglés, de Mammographic Image Analysis Society Database).

Se trata de un conjunto de 322 imágenes, originalmente obtenidas en película fílmica, que

fueron digitalizadas con un escáner Joyce-Loebl, con rango de densidad óptica entre 0 y 3.2,

y donde cada píxel se representa en 8 bits. Es una base de datos anotada por radiólogos. Todas

las imágenes tienen una resolución de 1024x1024 píxeles.

El archivo adjunto a la base de datos contiene toda la información necesaria para su análisis,

distribuidas en siete columnas, como se explica seguidamente:

1. Número de referencia de la imagen

2. Características del tejido de la mama

3. Tipo de lesión presentada

4. Severidad de la lesión

5. Coordenada x del centro de la lesión

6. Coordenada y del centro de la lesión

7. Radio (en píxeles) de una circunferencia que engloba la lesión


De este archivo se puede extraer la siguiente información representada en la tabla 1.

Tabla 1. Composición de la base de datos MIAS según la presencia de anomalías

Cantidad

total de

imágenes

Cantidad

de

imágenes

sin

anomalías

Cantidad

de

imágenes

con

anomalías

Cantidad

de

imágenes

con

lesiones

benignas

Cantidad

de

imágenes

con

lesiones

malignas

322 200 122 68 54

Para el trabajo con redes neuronales convolucionales se requiere una gran cantidad de datos

de entrenamiento, por lo que la cantidad de datos de la BD MIAS no es suficiente. Esto

ocasionó la necesidad de utilizar técnicas descritas en (Zhao, Wang, & Wang, 2018) para el

aumento de los datos, que se explicará posteriormente.

2.2 Software MATLAB

Para realizar la presente tesis se utiliza el software MATLAB y sus cajas de herramientas o

Toolbox. Específicamente se utilizó para el procesamiento de imágenes el Image Processing

Toolbox, para el trabajo con las CNN Deep Learning Toolbox, y para el procesamiento en

paralelo acelerado por GPU el Parallel Computing Toolbox.

Uno de los puntos fuertes del software MATLAB es que sus Toolboxs poseen numerosas

funciones de código abierto, además permite construir funciones y herramientas propias y

reutilizables, guardadas en extensión .m (extensión propia de MATLAB).

2.2.1 Image Processing Toolbox

En el presente trabajo la principal función para la que se utiliza este toolbox es para aumentar

la base datos y extraer las regiones de interés. Aun cuando el Deep Learning Toolbox posee

una función dedicada al aumento de bases de datos (función que será explicada en el siguiente

epígrafe), se hizo necesario aplicar otras técnicas que no venían implementadas dentro de la

función, como otorgarle a las imágenes colores diferentes, con el objetivo de que la red no


los tomara en cuenta y se centrara más en el contorno, la intensidad, la forma y los bordes de

las lesiones; rasgos que indican la existencia de tumores así como su posible malignidad.

Para la extracción de las regiones de interés se realizó un programa propio, el cual extraía la

información del archivo adjunto a las imágenes de la base de datos (la malignidad de la lesión,

si presentaba el píxel central de la lesión mamaria, así como el radio). Se recorría mediante

un for todas las imágenes, recortando las imágenes de acuerdo al píxel central de la lesión y

el radio, y guardándolas en sus respectivas carpetas, de acuerdo con su severidad, para luego

usarlas como etiquetas. Se crea así una nueva base de datos, constituida no por imágenes

completas, sino por regiones de interés (ROI). Es decir, en lugar de usar 322 imágenes para

implementar y entrenar la red, se dispuso de más de 6000 regiones de interés después de

terminar todo el proceso del aumento de la base de datos. En aquellas imágenes que no tenían

lesiones, (clasificadas como normales en la anotación de la BD), se escogieron regiones de

interés aleatoriamente. Se obtuvieron cinco ROI por cada imagen normal, generando

aleatoriamente el centro y el radio. De esta forma, ninguna región de interés sobrepasaba los

bordes exteriores de las imágenes.

De este conjunto total de regiones de interés (que a partir de ahora son las nuevas imágenes)

se pasó a escoger la cantidad de imágenes que conformarían el set de entrenamiento y el set

de prueba. Como no están equiparados el número de imágenes normales y anormales, ni el

número de lesiones benignas y malignas; se escoge el 70 % de las imágenes con lesiones

malignas, que es siempre el conjunto menor, y se le añade igual número de imágenes

normales y de imágenes con lesiones benignas para entrenar la red. El resto de todas las

imágenes se incluyó en el set de prueba. Este procedimiento se hizo para mantener

balanceado el entrenamiento de la red.

El código del programa se presenta en el Anexo 2 y el Anexo 3.

Las principales funciones utilizadas fueron:

• imread(): Lee las imágenes y las guarda en una variable

• figure() : Crea una ventana en la cual se puede mostrar la imagen

• imshow(): Muestra la imagen

• imwrite(): Guarda un archivo en uno de los formatos de imagen de una variable,

especificando el nombre del nuevo archivo y el destino.


2.2.2 Deep Learning Toolbox

El Deep Learning Toolbox proporciona un entorno para diseñar e implementar redes

neuronales profundas. Contiene algoritmos, modelos pre-entrenados y aplicaciones. Se

pueden programar redes neuronales convolucionales para realizar la clasificación y regresión

de imágenes. Las aplicaciones y los gráficos que tiene incluidos ayudan a editar las

arquitecturas de red y monitorear el progreso del entrenamiento y aprendizaje.

Se utilizan un conjunto de funciones, más abajo descritas, para tomar toda la base datos y

conformar un solo archivo, lo cual disminuye el costo computacional y el tiempo de ejecución

del proceso de entrenamiento. Esto, al mismo tiempo, sirve para etiquetar cada imagen.

Además, se activa el uso de la GPU para el entrenamiento y para clasificar imágenes no

usadas en el entrenamiento, creando en conjunto un programa generalizador de identificación

y clasificación de lesiones mamarias en imágenes mamográficas.

El Deep Learning Toolbox posee también funciones dirigidas a aumentar la base de datos.

Se aplicaron sobre las imágenes traslaciones aleatorias entre -15 a 15 píxeles en ambos ejes,

rotaciones aleatorias entre 0° y 360°, y la técnica de espejo, usando cualquiera de los dos ejes

como referencia. Esto genera nuevas variaciones de imágenes que en la práctica no se ven,

pero que aumentan la base de datos, en aras de mejorar la estadística de entrenamiento. Este

es un algoritmo interno del toolbox.

Las principales funciones utilizadas fueron:

• imageDatastore(): Crea un objeto de tipo imageDatastore que incluye las imágenes y

la etiqueta correspondiente a cada una, propiciando el trabajo acelerado y con menos

requerimiento computacional, al tener todos los archivos en uno solo.

• imageDataAugmenter(): Configura un conjunto de opciones para al aumento de los

datos como el desplazamiento, la rotación y/o la reflexión.

• augmentedImageDatastore(): Transforma un grupo de datos como un objeto

imageDatastore, según las opciones configuradas en la función anterior, así como

especifica un tamaño de salida para las nuevas imágenes.

• trainingOptions(): Configura las opciones del entrenamiento de la red.

• trainNetwork(): Inicia el proceso de entrenamiento según las opciones establecidas

en la función anterior.


• classify(): Clasifica un cierto conjunto de datos, ya establecidos por el usuario como

los datos de prueba con la red escogida.

2.2.2.1 Arquitectura de la Red Neuronal Convolucional

Después de implementar varias arquitecturas de redes neuronales convolucionales de los

artículos mencionados en el anterior capitulo, se obtuvieron eficiencias en el entrenamiento

de la red entre un 30 % y un 40 % con la base de datos MIAS, por lo que se consideraron

resultados preliminares malos. Se notó que la poca cantidad de imágenes utilizadas en el

entrenamiento, aún con todas las técnicas aplicadas para aumentarlas, era un factor de gran

influencia en estos resultados.

Debido a la razón anterior se decidió aplicar la técnica de transferencia de aprendizaje o

Transfer Learning, con modelos de red profunda pre-entrenados como Inception-v3, ResNet-

101, GoogLeNet y VGG-19, con buenos resultados en la competición ILSVRC (por sus siglas

en inglés ImageNet Large Scale Visual Recognition Competition) para probar cuál tendría

mejores resultados, aplicados al problema de la presente tesis.

Inception-v3 fue el modelo de red que alcanzó mejores resultados en las pruebas

preliminares, llegando a obtener una precisión en el entrenamiento alrededor del 99 % y en

la validación de 87.3 %. Por esta razón fue el escogido para la tesis.

El equipo de investigación de la compañía Google Inc. estaba principalmente enfocado en la

reducción del costo computacional de las redes neuronales de convolución, manteniendo el

mismo nivel de desempeño, al introducir el modelo de red llamado Inception (Szegedy et al.,

2015). La idea principal de este módulo es adaptar a la red a que escoja ella misma qué

tamaño de filtro es el más indicado, dependiendo de la imagen y el tamaño del objeto a

clasificar dentro de esta. Para eso colocan tres filtros de tamaño 1x1, 3x3 y 5x5 píxeles en

paralelo, y la red, en dependencia de qué filtro se activa al detectar las características, le

asigna mayor peso a la conexión de este. El principal cambio de la versión 3, es que reduce

el costo computacional al cambiar los filtros de 5x5 por dos de 3x3 y los de 3x3 por dos de

1x3 y 3x1 respectivamente, reduciendo la cantidad de parámetros a entrenar. La Figura 2.1 y

muestra la arquitectura de la red utilizada, con el módulo Inception-v3 incluido.


Figura 2.1 Arquitectura general de la red con el modelo Inception v3

De manera completa la red Inception-v3 cuenta con cinco capas convolucionales, cada una

seguida de una capa de normalización (del inglés batch normalization), dos capas de

agrupación y once módulos Inception. Los módulos Inception están formados generalmente

por tres capas de convolución en paralelo, seguida de una capa de normalización, y una cuarta

en paralelo de agrupación (Figura 2.2).

Figura 2.2 Arquitectura del módulo Inception


La técnica de transfer learning básicamente consiste en cargar una red pre-entrenada,

cambiarle las últimas capas, ajustándola a la nueva aplicación, y volverla a entrenar con la

nueva base de datos. Mientras más parecido sea el set de datos con que se entrenó al que se

va a entrenar, más eficiente será la técnica. Mediante esta técnica se logró que la arquitectura

“Inception-v3” fuera aplicada al problema de estudio, cambiándole las últimas tres capas: la

capa con la cantidad de clases a clasificar, la función softmax y la capa de clasificación.

Las capas convolucionales aplican una operación de convolución a la imagen de entrada, la

cual tiene un tamaño de 299 x 299 píxeles, pasando el resultado a la siguiente capa. La

convolución emula la respuesta de una neurona individual a los estímulos visuales.

Si bien las redes neuronales totalmente conectadas se pueden usar para aprender

características y clasificar datos, no es práctico aplicar esta arquitectura a las imágenes. Sería

necesario un número muy alto de neuronas, incluso en una arquitectura poco profunda,

debido a los tamaños de entrada muy grandes asociados con las imágenes, donde cada píxel

es una variable relevante. Por ejemplo, una capa completamente conectada para una imagen

(pequeña) de tamaño 100 x 100 píxeles tiene 10000 pesos para cada neurona en la segunda

capa. La operación de convolución brinda una solución a este problema, ya que reduce la

cantidad de parámetros libres, lo que permite que la red sea más profunda y con menos

parámetros. Por ejemplo, independientemente del tamaño de la imagen, las regiones de los

filtros de tamaño 5 x 5 píxeles, cada una con las mismas ponderaciones compartidas,

requieren solo 25 parámetros de aprendizaje. De esta manera, se resuelve el problema de la

desaparición del gradiente, al entrenar redes neuronales multicapa tradicionales con muchas

capas, mediante la propagación hacia atrás (del inglés back-propagation).

La capa convolucional es el bloque central en la construcción de una CNN. Los parámetros

de la capa consisten en un conjunto de filtros que tienen un campo receptivo pequeño, pero

se extienden a lo largo de toda la profundidad del volumen de entrada. Al avanzar en la red,

cada filtro realiza una convolución a todo lo ancho y alto del volumen de entrada, calculando

el producto entre las entradas del filtro y la entrada, produciendo un mapa de características

bidimensional de ese filtro. Como resultado, la red aprende cuando los filtros se activan, al

detectar algún tipo específico de característica en alguna posición espacial en la entrada (P.

Kim, 2017).


El conjunto de mapas de características de todos los filtros a lo largo de la dimensión de

profundidad, forma el volumen de salida de la capa de convolución. Por lo tanto, cada entrada

en el volumen de salida, también puede interpretarse como una salida de una neurona que

mira una pequeña región en la entrada, y comparte parámetros con las neuronas en el mismo

mapa de características (P. Kim, 2017).

Hay tres hiper-parámetros que controlan el tamaño del volumen de salida de la capa

convolucional: la profundidad, la zancada (del inglés stride) y el relleno (del inglés padding).

Cuando la zancada es 1, movemos los filtros un píxel a la vez. Esto conduce a campos

receptivos fuertemente superpuestos entre las columnas, y también a grandes volúmenes de

salida. Cuando la zancada es 2, los filtros saltan 2 píxeles a la vez, a medida que se deslizan.

De manera similar, para cualquier número entero S > 0, una zancada de S hace que el filtro

sea trasladado por S unidades a la vez, por salida. En la práctica, las longitudes de zancada

de S > 3 son raras, ya que los campos receptivos se superponen menos y el volumen de salida

resultante tiene dimensiones espaciales más pequeñas.

El relleno proporciona el control del tamaño espacial del volumen de salida. En ocasiones es

deseable preservar exactamente el tamaño espacial del volumen de entrada, pero en otras no,

y se hace necesario rellenar los bordes del volumen de entrada (P. Kim, 2017).

En la red convolucional implementada se incluyeron capas de agrupación. Estas reducen las

dimensiones de los datos, al combinar las salidas de los grupos de neuronas de una capa, en

una sola neurona en la siguiente capa. La agrupación puede calcular un máximo o un

promedio; como sus nombres lo indican. La máxima utiliza el valor máximo de cada una de

las agrupaciones de neuronas en la capa anterior, y el promedio utiliza el valor promedio. La

capa de agrupación sirve para reducir progresivamente el tamaño espacial de la

representación, para reducir el número de parámetros y la cantidad de cómputo en la red. De

esta forma, se controla el sobreajuste. Se insertaron capas de agrupación entre capas

convolucionales sucesivas.

Después de varias capas convolucionales y de agrupación, el razonamiento de alto nivel en

la red neuronal se realizó a través de las capas totalmente conectadas. Estas capas, conectan

a cada neurona en una capa a cada neurona en otra capa. De este modo, sus activaciones se

pueden calcular como la multiplicación de matrices seguida por un desplazamiento de sesgo.


Se utilizó la función de activación ReLU, (del inglés rectifier linear unit). Esta función

elimina efectivamente los valores negativos en las conexiones al establecerlos en cero.

También, aumenta las propiedades no lineales de la función de decisión y de la red en general,

sin afectar los campos receptivos de la capa de convolución. La función de activación ReLU

fue escogida porque entrena la red neuronal más rápido que las funciones tradicionalmente

utilizadas en redes neuronales, sin una pérdida significativa en la precisión (Agarap, 2018).

Para reducir el sobreajuste se utilizó la técnica dropout. Esto se hizo debido a que una capa

totalmente conectada ocupa la mayoría de los parámetros. Mediante esta técnica las neuronas

se mantienen con probabilidad p de participar en el entrenamiento. De modo que queda una

red reducida que es la entrenada en cada etapa. Al pasar a la siguiente etapa, las neuronas

retiradas se vuelven a insertar en la red con sus pesos originales. Al evitar entrenar todas las

neuronas en cada una de las etapas, mejora significativamente la velocidad de entrenamiento.

Esto hace que la combinación de modelos sea práctica, incluso para redes neuronales

profundas.

Finalmente, se utilizó la función softmax en la capa semifinal del clasificador, para entrenar

la red bajo un régimen de entropía cruzada, lo que da una variante no lineal de regresión

logística multinomial. La capa de clasificación calcula la pérdida de entropía cruzada para

problemas de clasificación de múltiples clases con clases mutuamente excluyentes.

2.2.3 Parallel Computing Toolbox

El uso del Parallel Computing Toolbox permitió resolver los problemas de computación

mediante la GPU de la computadora utilizada. Durante el entrenamiento de la red se hizo uso

de este toolbox implícitamente, ya que una vez activado la red se entrena usando los recursos

de la GPU sin necesidad de introducir ningún comando o código especial para esto.

2.3 Hardware

Para utilizar todo el software anteriormente descrito, MATLAB recomienda hacer uso de

una tarjeta gráfica con tecnología CUDA de NVIDIA con capacidad de cálculo mayor de

3.1. Se utilizó una laptop con los siguientes recursos de hardware:


Marca: MSI

Modelo: GS63VR674

Procesador (CPU): Intel® Core™ Core i7-7700HQ 2.8 - 3.8 Ghz w/ Turbo Boost

Tarjeta Gráfica: NVIDIA GeForce® GTX1060 6GB GDDR5 con capacidad de cálculo 6.1

RAM: 16GB (8GB*2) DDR4 2400MHz

Almacenamiento: SSD 128GB M.2 SATA + HDD 1TB (5400RPM)

2.4 Evaluación de la clasificación

La eficiencia de los sistemas de clasificación, la mayoría de las veces, es medida mediante

cuatro factores: la exactitud, la sensibilidad, la especificidad y el área bajo la curva de

sensibilidad vs. especificidad (AUC). La sensibilidad, la especificidad y el AUC solamente

son utilizados en sistemas de clasificación binaria, ya que, en sistemas con más de dos clases

a clasificar, no se puede determinar una clase como positiva y otra como negativa. En este

caso solo se utiliza la exactitud, la cantidad de aciertos sobre el total de imágenes a clasificar,

como medida de fiabilidad del sistema para la arquitectura con tres clases. La exactitud, la

sensibilidad, la especificidad y el AUC para sistemas de clasificación binaria se calculan de

la siguiente manera según (Baldi, Brunak, Chauvin, Andersen, & Nielsen, 2000):

Exactitud: 𝑉𝑝+𝑉𝑛

𝑉𝑝+𝑉𝑛+𝐹𝑝+𝐹𝑛 (1)

Sensibilidad: 𝑉𝑝

𝑉𝑝+𝐹𝑛 (2)

Especificidad: 𝑉𝑛

𝑉𝑛+𝐹𝑝 (3)

AUC: 1

2∗ (

𝑉𝑝

𝑉𝑝+𝐹𝑛+

𝑉𝑛

𝑉𝑛+𝐹𝑝) (4)


Donde: Vp son los verdaderos positivos (elementos que el sistema detecta como positivos

cuando la anotación de la BD da como positivos), Vn son los verdaderos negativos

(elementos que el sistema detecta como negativos cuando la anotación de la BD da como

negativos), Fp son los falsos positivos (elementos que el sistema detecta como positivos

cuando la anotación de la BD da como negativos) y Fn, los son los falsos negativos

(elementos que el sistema detecta como negativos cuando la anotación de la BD da como

positivos).

CAPÍTULO 3. RESULTADOS Y DISCUSIÓN 35

CAPÍTULO 3. RESULTADOS Y DISCUSIÓN

En el presente capítulo se exponen los resultados de clasificación de lesiones mamarias

alcanzados utilizando redes neuronales convolucionales. Se evalúan los resultados mediante

la estimación de la exactitud de la clasificación por comparación con la anotación de la base

de datos MIAS, así como comparaciones con trabajos de otros autores que emplean otros

tipos de redes neuronales y la misma Base de Datos.

Se crearon varias redes neuronales convolucionales, basadas en la arquitectura “Inception

v3”. El primer sistema cuenta con una sola red neuronal convolucional y tres tipos de clases

a clasificar en la salida (normal, benigna y maligna); y el segundo cuenta con dos redes

neuronales convolucionales en serie, de clasificación binaria, donde la primera parte decide

si hay una lesión mamaria o no en la imagen, y la segunda, en caso de que haya tumor, decide

si es benigno o maligno.

3.1 Resultados

3.1.1 Arquitectura con tres clases

Después de implementar esta arquitectura fue necesaria entrenarla en más de una ocasión,

cambiando los parámetros y haciendo ajustes de optimización. En la Figura 3.1 se observan

los mejores resultados alcanzados por esta arquitectura, que tuvo una exactitud de 86.05%.

Como se puede observar en la Figura 3.1, el último entrenamiento solo duró 43 minutos, pero

el proceso completo fue de más tiempo. Se realizaron entrenamientos que duraron

aproximadamente hasta un día y medio. En cada caso se guardaba la red entrenada, se cargaba

y sobre esta, se volvía a entrenar ajustando los parámetros, con el objetivo de lograr una

mayor exactitud.


Figura 3.1 Proceso de entrenamiento de la arquitectura con tres clases.

Aunque se contó con un hardware lo suficientemente capaz de realizar el proceso de

entrenamiento de redes neuronales convolucionales y el procesamiento de imágenes, se

colocaron límites en los parámetros, ya que en ocasiones el hardware no era capaz de realizar

todas las operaciones y devolvía errores de la tarjeta gráfica debido a la gran cantidad de

espacio de memoria que requería.

También se observa una diferencia entre la exactitud en el entrenamiento y en la validación.

Este hecho es totalmente justificable, ya que, en el proceso de entrenamiento, cada vez que

se pasa a la siguiente época, se realizan ajustes en los pesos de las conexiones. De este modo,

se corrige el error encontrado en las imágenes del set de entrenamiento. Sin embargo, el error

en la validación nunca es utilizado para corregir el proceso de entrenamiento, sino que se usa

para indicar la fiabilidad del sistema y tener una idea de cómo se comportaría la red ya

entrenada, en el momento de clasificar imágenes nunca procesadas por ella anteriormente.

Por esta razón, es que el set de entrenamiento tiene que ser una representación lo más

abarcadora posible de todas las características a tener en cuenta en la clasificación. Esta es la

causa de que la exactitud en la validación de un poco por debajo del entrenamiento como se

observa en la Figura 3.1. La Figura 3.2 muestra la matriz de confusión para la arquitectura

con 3 clases.


Figura 3.2 Matriz de confusión de la clasificación por la arquitectura de 3 clases

También es importante hacer un análisis de acuerdo con la composición del tejido de las

mamas, ya que para los radiólogos es más difícil realizar un diagnóstico en mamas

glandulares densas. La Tabla 2 muestra la composición del set de prueba de la base de datos

utilizada en la arquitectura de 3 clases, y la Tabla 3 la de las imágenes en las que la red

cometió errores.

Tabla 2. Composición del set de prueba de la arquitectura de tres clases según el tejido

de las mamas.

Clases Adiposas Glandulares Glandulares

Densas

Normales 54 53 62

Lesiones

benignas 6 15 10

Lesiones

malignas 9 6 0


Tabla 3. Clasificación errónea con la RN de tres clases para los diversos tipos de mamas.

Clases (Según la BD-

Clasificación con RN) Adiposas Glandulares

Glandulares

Densas

Normales - Benignos 0 1 7

Normales – Malignos 0 2 3

Benignos - Normales

Benignos - Malignos

Malignos - Normales

Malignos - Benignos

1

0

3

2

2

4

0

0

2

3

0

0

El sistema implementado cometió errores en 6 mamas con tejido adiposo, en 9 con tejido

glandular y 15 con tejido denso. El tejido denso fue el más proclive a tener error. Sin

embargo, el resultado no puede considerarse malo, ya que la red identifica la mayoría de las

lesiones que el especialista por sí solo no puede identificar.

3.1.2 Arquitectura con dos redes neuronales en serie

En la primera parte de la arquitectura con dos clases, se determina si la imagen tiene presencia

o no de una lesión. La Figura 3.3 muestra el último proceso de entrenamiento de esta primera

parte, ya que también fue sometido a varios entrenamientos.

Para una mejor visualización, al calcular la exactitud, la sensibilidad, la especificidad y el

AUC, la Figura 3.4 muestra la matriz de confusión de la primera parte de la arquitectura con

dos clases.

De esta primera parte se obtuvo una exactitud de 96.65 %, una sensibilidad de 88.6 %, una

especificidad de 98 % y un AUC de 93.3 % para detectar lesiones en un total de 138

imágenes. El sistema implementado diagnosticó 2 falsos positivos y 4 falsos negativos. La

sensibilidad y la especificidad están vinculados a esto, ya que a mayor número de falsos

negativos, menor sensibilidad, y a mayor número falsos positivos, menor especificidad.


Figura 3.3 Proceso de entrenamiento de la primera parte de la arquitectura con dos clases

Figura 3.4 Matriz de confusión en la clasificación de la primera parte

Como se puede apreciar, las diferencias de exactitud en esta arquitectura en la validación

respecto al entrenamiento, fueron menores que en la arquitectura anterior. Además, el valor

neto de exactitud es superior y está por encima del 90 %. También, en el entrenamiento

mostrado en la Figura 3.3 se observa que requirió un menor número de iteraciones respecto

a la arquitectura con 3 clases y el entrenamiento tardó menos tiempo, teniendo en cuenta,

además, la experiencia acumulada. Una vez entrenada esta red, el tiempo de cómputo, al igual

que la red anterior solo tarda menos de 10 segundos por imagen en el hardware descrito.


Según un estudio realizado en (Lehman et al., 2016), el cual analiza el nivel de desempeño

normal de los radiólogos para detectar lesiones mamarias a partir de visualizar imágenes de

mamografía, es más común que estos diagnostiquen falsos negativos que falsos positivos,

como se muestra en la Figura 3.5. Al comparar los resultados con respecto al sistema

implementado con redes neuronales, se nota que tiene un comportamiento dentro del rango

aceptable para los radiólogos, dando una idea de la fiabilidad del sistema para implementarlo

en la práctica y servir de ayuda, como segunda opinión para los radiólogos.

Figura 3.5 Nivel de desempeño de los radiólogos

De acuerdo con la composición del tejido en las mamas, el set de prueba utilizado está

compuesto como se indica la Tabla 4 y la Tabla 5 indica la composición en las imágenes en

las que la red cometió errores.

Tabla 4. Composición del set de prueba de la primera parte de las dos arquitecturas de

2 clases en serie según el tejido de las mamas.


Densas

Normales 32 33 38

Tumor 9 12 14


Tabla 5. Clasificación errónea con la RN de dos clases (1ra parte) para los diversos tipos

de mamas.


Densas

Normales en Tumor

(Fp) 1 1 0

Tumor en Normales 1 1 2

(Fn)

Haciendo un análisis de la exactitud, el sistema cometió errores en 2 imágenes de tejido

adiposo, 2 de tejido glandular y 2 de tejido denso glandular. En este sistema, al contrario del

anterior, estuvo pareja la cantidad de errores cometidos entre los diferentes tejidos de mama.

En la segunda parte de la arquitectura con dos clases, se determina la malignidad o no de la

lesión encontrada por la primera parte. La Figura 3.6 muestra el proceso de entrenamiento de

esta segunda parte.

Figura 3.6 Proceso de entrenamiento de la segunda parte de la arquitectura con dos clases

Esta red logró una clasificación del 100 % para el set de entrenamiento. Sin embargo, para el

set de validación solo se logra un 91.3 % debido a que hay características en el set de

validación que o no estaban presentes en el set de entrenamiento o no fueron aprendidas por

la red durante el entrenamiento


Al igual que en la primera parte, la Figura 3.7 muestra la matriz de confusión. De esta segunda

parte se obtiene una exactitud de 91.30 %, una sensibilidad de 93.33 %, una especificidad de

90.32 % y un AUC de 91.82 % para diagnosticar la malignidad de la lesión en un total de 46

imágenes. El sistema en esta segunda parte diagnosticó 3 falsos positivos y 1 falso negativo.

Durante el proceso de validación originalmente después de aplicar la técnica de transfer

learning a la red obtenida en la etapa anterior, y entrenarla con la nueva base de datos, no se

obtuvieron buenos resultados. Posiblemente, debido a que los pesos de las conexiones ya se

habían adaptado a clasificar las imágenes malignas y benignas como una sola clase, lo cual

explicaría que en la validación reconocía todas las imágenes como benignas o todas como

malignas.

Por esta razón se empezó de cero todo el proceso, cargando nuevamente la red “Inception

v3” y aplicando la técnica transfer learning. Nuevamente no se obtuvieron buenos resultados;

por lo que se decidió cargar una red más sencilla, el modelo original de “Inception v3”, la red

“Googlenet”; y aplicando las mismas técnicas antes mencionadas, se obtuvieron los

resultados mostrados en la Figura 3.6 y en la Figura 3.7. En este caso el tiempo de cómputo

estuvo por debajo de los 8 segundos por imagen.

Figura 3.7 Matriz de confusión en la clasificación de la segunda parte


De acuerdo con la composición del tejido en las mamas, el set de prueba utilizado está

compuesto como indica la Tabla 6.

Tabla 6. Composición del set de prueba de la segunda parte de las redes de dos clases

en serie según el tejido de las mamas.


Densas

Benignas 6 15 10

Malignas 9 6 0

Tabla 7. Clasificación errónea con la RN de dos clases (2da parte) para los diversos

tipos de mamas.


Densas

Benignas en Malignas

(Fp) 1 0 2

Malignas en Benignas

(Fn) 1 0 0

Haciendo un análisis de la exactitud, el sistema cometió errores en 2 imágenes de tejido

adiposo, 0 de tejido glandular y 2 de tejido denso glandular.

En este sistema no se cometió ningún error en las imágenes de tejido glandular, y se

cometieron la misma cantidad de errores en las imágenes que son más fáciles de diagnosticar

por los radiólogos que son las de tejido adiposo, y las más difíciles, que son las de tejido

denso glandular. En este sentido, se puede plantear que el sistema resulta de ayuda a los

radiólogos como segunda opinión y que responde igual para diversos tipos de tejido

glandular.


De manera general, si tomamos la exactitud de las dos partes, como la probabilidad que tiene

cada una de acertar en la clasificación; la probabilidad general de acertar sería la

multiplicación de ambas probabilidades. Lo que le da al sistema completo de las dos redes

neuronales convolucionales de clasificación binaria en serie una exactitud de 88.24 %,

ligeramente superior al sistema de clasificación con tres clases.

3.2 Comparación de resultados con la literatura científica

3.2.1 Trabajos Nacionales

El único trabajo conocido similar al presente dentro del territorio nacional es el presentado

en (Rodríguez Linares, 2018) el cuál implementa dos sistemas, al igual que en la presente

tesis. El primero solo detecta si hay tumores o no con una exactitud de 92 %, una sensibilidad

de 91.43 %, una especificidad de 92.31 % y un AUC de 91.87 % de un total de 100 imágenes.

El otro sistema cuenta con un clasificador de tres clases (normal, benigno o maligno) y posee

una exactitud del 92 % de un total de 100 imágenes a clasificar.

Como se pudo observar, el presente trabajo no logró superar al presentado en (Rodríguez

Linares, 2018) en el clasificador de tres clases, pero sí en el de clasificación binaria, al

detectar la presencia de tumores con una mayor exactitud.

3.2.2 Trabajos Internacionales

En (Chougrad et al., 2018) con otro tipo de red neuronal y la misma BD se obtiene una

exactitud del 98.23 % y un AUC de 99 %, superando al trabajo de la presente tesis. Sin

embargo, el presente trabajo identifica cualquier tipo de lesión y la diagnostica, mientras que

en (Chougrad et al., 2018) solo se clasifica de acuerdo con su severidad, las masas de la base

de datos. Hay que especificar que la BD en (Chougrad et al., 2018) solo fue utilizada para la

validación, el entrenamiento se realizó con un total de 3 bases de datos, utilizando un total

de 6116 imágenes, lo cual proporciona a la red mayor poder de generalización.

En (Abdel-Nasser, Melendez, Moreno, & Puig, 2016) se utilizaron tres algoritmos diferentes

usando machine learning con 161 imágenes de la base de datos MIAS, para clasificar masas

según su severidad, empleando 5 valores diversos de tamaño de píxel y 5 métodos de análisis

de texturas. Obtienen valores de AUC entre 40 y 78 %; claramente superados por las redes

implementadas en la presente tesis. Algo similar ocurrió al comparar los resultados


alcanzados en el trabajo de (Bektaş, Emre, Kartal, & Gulsecen, 2018), donde se usaron 3

variantes para extraer los rasgos de las imágenes. El mayor valor de exactitud alcanzado por

los clasificadores fue de 66 %.

En el trabajo de (Kurek, Świderski, Osowski, Kruk, & Barhoumi, 2018) se evaluó el

desempeño del enfoque clásico contra las redes neuronales convolucionales. En ambos casos

la presente tesis superó los resultados reportados que fueron para el enfoque clásico de 82.5%

y para las CNN de 85.8 % de exactitud.

3.3 Análisis económico

El presente sistema aún no tiene registro ni se puede comercializar, por tanto, no tiene una

estimación económica realizada. El sistema debe además refinarse, en el sentido de elaborar

una interfaz de usuario para facilitar su uso. Por otra parte, en nuestro país existe la entidad

SOFTEL, cuyo objeto social es la comercialización de software para el uso en entidades de

la salud pública.

Se debe de resaltar, que independientemente del valor económico que tenga el sistema CAD

propuesto, su mayor impacto es social; ya que, al servir de ayuda al radiólogo para mejorar

la exactitud y precisión de su diagnóstico, contribuye a la detección temprana del cáncer de

mama y por tanto también, a reducir costos de tratamiento de pacientes con lesiones más

avanzadas.

Los sistemas profesionales para la detección de cáncer de mama existentes en el mercado,

como el “Volpara”, por ejemplo, cuestan más de 2000.00 Euros.

3.4 Conclusiones del capítulo

De acuerdo con los resultados del capítulo se puede concluir que:

• Se implementaron 2 arquitecturas de redes neuronales convolucionales. En la arquitectura

con 3 clases, se obtuvo un 86.05 % de exactitud con 30 errores de clasificación en 215

imágenes, (de los cuales el 50 % fue en mamas densas) para un tiempo de cómputo de

aproximadamente 0.014 segundos por imagen con el hardware utilizado.


• En la arquitectura con 2 redes neuronales en serie, se obtuvo una exactitud final de 88,2 %

con 5 falsos positivos y 5 falso negativos totales entre las dos partes, para un tiempo de

cómputo de aproximadamente 0.1293 segundos por imagen para el hardware utilizado.

• El sistema implementado con dos arquitecturas de clasificación binaria fue el más eficiente

y representa también una mejora en el desempeño respecto a trabajos previos realizados en

el territorio nacional e internacional.

• Los dos sistemas implementados clasifican con independencia del tejido mamario presente,

lo cual es muy útil para los radiólogos que tienen grandes dificultades para diagnosticar

sobre todo en las mamas glandulares densas.

• Los resultados de la clasificación con ambas redes neuronales se encuentran dentro de los

rangos de desempeño aceptados por los radiólogos expertos, lo cual le da fiabilidad al

sistema a la hora de su implementación en la práctica clínica de rutina.

CONCLUSIONES Y RECOMENDACIONES 47

CONCLUSIONES Y RECOMENDACIONES

Conclusiones

1 Se seleccionaron 2 redes neuronales convolucionales que poseen módulos Inception en

su arquitectura, basando su eficiencia en la clasificación de imágenes de mamografía

digital. Ambas redes fueron capaces de tener desempeños buenos en tiempos de

cómputo de menos de 0.014 y 0.129 segundos respectivamente.

2 Las dos redes seleccionadas fueron entrenadas, ajustadas y validadas con la BD MIAS,

obteniéndose en la arquitectura con 3 clases, un 86.05 % de exactitud, con 30

clasificaciones erróneas; mientras que en arquitectura con 2 redes neuronales en serie,

se alcanzó una exactitud de 88,2 % con 5 falsos positivos y 5 falsos negativos totales.

3 Ambos resultados están en el entorno de los valores internacionales admisibles para

este tipo de sistemas, clasifican con independencia del tejido mamario presente,

principalmente la arquitectura de dos clases en serie, y satisfacen los criterios de los

radiólogos con aceptable exactitud.

Recomendaciones

1 Realizar un trabajo en conjunto con la entidad SOFTEL para crear un software que

pueda ser utilizado en la salud pública.

2 Entrenar las redes implementadas con otras bases de datos de imágenes de

mamografías con mayor número de casos que le proporcionen mayor poder de

generalización y adquieran una mayor fiabilidad.

REFERENCIAS BIBLIOGRÁFICAS 48

REFERENCIAS BIBLIOGRÁFICAS

Abdel-Nasser, M., Melendez, J., Moreno, A., & Puig, D. (2016). The impact of pixel

resolution, integration scale, preprocessing, and feature normalization on texture

analysis for mass classification in mammograms. International Journal of Optics,

2016.

Agarap, A. F. (2018). Deep learning using rectified linear units (relu). arXiv preprint

arXiv:1803.08375.

Aibar, L., Santalla, A., López-Criado, M. S., González–Pérez, I., Calderón, M. A., Gallo, J.

L., & Fernández-Parra, J. (2011). Clasificación radiológica y manejo de las lesiones

mamarias. Clínica e Investigación en Ginecología y Obstetricia, 38(4), 141–149.

American Cancer Society. (s. f.). ¿Qué es el cancer de seno? American Cancer Society.

Recuperado de http://www.cancer.org/es/cancer/cancer-de-seno/acerca/que-es-el-

cancer-de-seno.html

Andrés, A. V. (2007). Sistema inteligente para la detección y diagnóstico de patología

mamaria (PhD Thesis). Universidad Complutense de Madrid.

Baldi, P., Brunak, S., Chauvin, Y., Andersen, C. A., & Nielsen, H. (2000). Assessing the

accuracy of prediction algorithms for classification: an overview. Bioinformatics,

16(5), 412–424.

Baños, M. A., & Alegría, C. L. (2003). Bases físicas y biológicas del radiodiagnóstico

médico. EDITUM.


Bektaş, B., Emre, İ. E., Kartal, E., & Gulsecen, S. (2018). Classification of Mammography

Images by Machine Learning Techniques. 2018 3rd International Conference on

Computer Science and Engineering (UBMK), 580–585. IEEE.

Benzebouchi, N. E., Azizi, N., & Ayadi, K. (2019). A Computer-Aided Diagnosis System

for Breast Cancer Using Deep Convolutional Neural Networks. En Computational

Intelligence in Data Mining (pp. 583–593). Springer.

Birkfellner, W. (2016). Applied medical image processing: a basic course. CRC Press.

Bradley, W. G. (2008). History of medical imaging. Proceedings of the American

Philosophical Society, 152(3), 349–361.

Bushberg, J. T., & Boone, J. M. (2011). The essential physics of medical imaging. Lippincott

Williams & Wilkins.

Byra, M., Nowicki, A., Wróblewska-Piotrzkowska, H., & Dobruch-Sobczak, K. (2016).

Classification of breast lesions using segmented quantitative ultrasound maps of

homodyned K distribution parameters. Medical physics, 43(10), 5561–5569.

Chávez Guadarrama, D. P., & González Flores, K. Y. (2016). Deteccion de cancer de mama

mediante redes neuronales. Escuela Superior de Ingeniería Mecánica y Eléctrica

«Adolfo López Mateos».

Chen, Y. B. (2011). A robust fully automatic scheme for general image segmentation. Digital

Signal Processing, 21(1), 87–99.

Chougrad, H., Zouaki, H., & Alheyane, O. (2018). Deep convolutional neural networks for

breast cancer screening. Computer methods and programs in biomedicine, 157, 19–

30.

Cuba. (2016). Centro Nacional de Información de Ciencias Médicas. Biblioteca Médica

Nacional. Cáncer de mama. Prevención. Bibliomed [Internet]. [13 12 2018]; 23

(5):[aprox. 12 p.]. Disponible en: http://files.sld.cu/bmn/files/2016/05/bibliomed-

mayo-2016.pdf.

Esteban, C. (2008). Indicadores de calidad en imágenes digitales en programas de control

de calidad en mamografía (PhD Thesis).


Frutos Arenas, F. J., Seguí Azpilcueta, M., Nieto Parra, J. A., Segovia Vergel, C., Palma

Gastón, A., & Olloqui Martín, E. (2011). Técnicas de diagnóstico por la imagen en

cáncer de mama. 23(1 y 2), 18.

Ganguly, D., Chakraborty, S., Balitanas, M., & Kim, T. (2010). Medical imaging: A review.

International Conference on Security-Enriched Urban Computing and Smart Grid,

504–516. Springer.

Gao, Y., Geras, K. J., Lewin, A. A., & Moy, L. (2019). New Frontiers: An Update on

Computer-Aided Diagnosis for Breast Imaging in the Age of Artificial Intelligence.

American Journal of Roentgenology, 212(2), 300–307.

Gonzalez, R. C., & Woods, R. E. (2002). Digital image processing. Publishing house of

electronics industry, 141(7).

Granma. (2018). El cancer de mama no es invencible. Recuperado de

http://www.granma.cu/todo-salud/2018-10-18/el-cancer-de-mama-no-es-invencible-

18-10-2018-21-10-36

Haus, A. G., & Yaffe, M. J. (2000). Screen-film and digital mammography: image quality

and radiation dose considerations. Radiologic Clinics of North America, 38(4), 871–

898.

Henriksen, E. L., Carlsen, J. F., Vejborg, I. M., Nielsen, M. B., & Lauridsen, C. A. (2019).

The efficacy of using computer-aided detection (CAD) for detection of breast cancer

in mammography screening: a systematic review. Acta Radiologica, 60(1), 13–18.

Huo, Q., Li, J., & Lu, Y. (2016). Removing ring artefacts in CT images via unidirectional

relative variation model. Electronics Letters, 52(22), 1838–1839.

Kim, E.-K., Kim, H.-E., Han, K., Kang, B. J., Sohn, Y.-M., Woo, O. H., & Lee, C. W. (2018).

Applying data-driven imaging biomarker in mammography for breast cancer

screening: preliminary study. Scientific reports, 8(1), 2762.

Kim, P. (2017). Matlab deep learning. En With Machine Learning, Neural Networks and

Artificial Intelligence. Springer.


Kurek, J., Świderski, B., Osowski, S., Kruk, M., & Barhoumi, W. (2018). Deep learning

versus classical neural approach to mammogram recognition. Bulletin of the Polish

Academy of Sciences: Technical Sciences.

Landin. (2008). Desarrollo de técnicas de reconocimiento y procesamiento utilizando un

sistema CAD para aplicaciones en medicina y otras areas.

Lehman, C. D., Arao, R. F., Sprague, B. L., Lee, J. M., Buist, D. S. M., Kerlikowske, K., …

Miglioretti, D. L. (2016). National Performance Benchmarks for Modern Screening

Digital Mammography: Update from the Breast Cancer Surveillance Consortium.

Radiology, 283(1), 49-58. https://doi.org/10.1148/radiol.2016161174

Lotter, W., Sorensen, G., & Cox, D. (2017). A multi-scale CNN and curriculum learning

strategy for mammogram classification. En Deep Learning in Medical Image

Analysis and Multimodal Learning for Clinical Decision Support (pp. 169–177).

Springer.

Ortíz, M. M., Olmos Pineda, I., & Olvera López, A. (2015). Obtención de imágenes médicas

digitales y la computación.

Ortiz Zamora, F. G. (2002). Procesamiento morfológico de imágenes en color: aplicación a

la reconstrucción geodésica.

Perez-Diaz, M. (2014). Techniques to evaluate the quality of medical images. AIP

Conference Proceedings, 1626, 39–45. AIP.

Ramírez de la Espriella, G. (2011). Detección de carcinomas en las imágenes de mamografía

mediante tecnicas de procesamiento de imágenes y reconocimiento de patrones

(Master’s Thesis). Facultad de Ingeniería.

Ribli, D., Horváth, A., Unger, Z., Pollner, P., & Csabai, I. (2018). Detecting and classifying

lesions in mammograms with deep learning. Scientific reports, 8(1), 4165.

Rodríguez Linares, D. (2018). Aprendizaje profundo aplicado a la detección de tumores de

mama. Universidad de la Habana. Instituto Superior de Tecnologías y Ciencias

Aplicadas. Facultad de Ciencias y Tecnologías Nucleares. Departamento de

Ingeniería Nuclear, La Habana.


Rodríguez López, V. (2012). Análisis de imágenes de mamografía para la detección de

cáncer de mama. Temas de Ciencia y Tecnología, 15(47), 39–45.

Seeram, E. (2019). Digital radiography: Physical Principles and Quality Control (Second

Edition). Recuperado de https://doi.org/10.1007/978-981-13-3244-9

Sprawls, P. (2003). Physical principles of medical imaging. Aspen Publishers.

Srivastava, S., Sharma, N., Singh, S. K., & Srivastava, R. (2013). Design, analysis and

classifier evaluation for a CAD tool for breast cancer detection from digital

mammograms. International Journal of Biomedical Engineering and Technology,

13(3), 270–300.

Suárez, E. (2018). Diseño de un sistema automatizado para la detección de anomalías en

imágenes digitales de mama. UCLV.

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., … Rabinovich, A.

(2015). Going deeper with convolutions. Proceedings of the IEEE conference on

computer vision and pattern recognition, 1–9.

Tepán, A., & Cristina, E. (2013). Estudio de los principales tipos de redes neuronales y las

herramientas para su aplicación (B.S. thesis).

Torres, P., Guerra, M., Galán, Y., García, M., Lezcano, M., & Fernández, L. (2007).

Incidencia y mortalidad por cáncer en la mujer cubana: Trienio 2000-2002. Revista

Cubana de Medicina, 46(2), 0–0.

Walczak, S. (2019). Artificial neural networks. En Advanced Methodologies and

Technologies in Artificial Intelligence, Computer Simulation, and Human-Computer

Interaction (pp. 40–53). IGI Global.

Wang, G., Wang, Y., Li, H., Chen, X., Lu, H., Ma, Y., … Tang, L. (2014). Morphological

background detection and illumination normalization of text image with poor

lighting. PloS one, 9(11), e110991.

World Health Organization. (s. f.). Diagnostic Imaging. Recuperado de

https://www.who.int/diagnostic_imaging/en/


Zhao, X., Wang, X., & Wang, H. (2018). Classification of Benign and Malignant Breast Mass

in Digital Mammograms with Convolutional Neural Networks. Proceedings of the

2nd International Symposium on Image Computing and Digital Medicine, 47–50.

ACM.

ANEXOS 54

ANEXOS

Anexo I Código del programa para entrenar la red

%% Cargar imágenes en un imageDatastore

digitDatasetPathTrain = fullfile('D:\Tesis\Nueva

carpeta\variante_3_colores_new\Train');

imdsTrain =

imageDatastore(digitDatasetPathTrain,'IncludeSubfolders',true

,'LabelSource','foldernames');

digitDatasetPathTest = fullfile('D:\Tesis\Nueva

carpeta\variante_3_colores_new\Test');

imdsTest =

imageDatastore(digitDatasetPathTest,'IncludeSubfolders',true,

'LabelSource','foldernames');

%% Realizar un conteo de las etiquetas que le corresponden al

entrenamiento y a la prueba

labelCountTrain = countEachLabel(imdsTrain);

labelCountTest = countEachLabel(imdsTest);

%% Aumentar el conjunto de entrenamiento haciendo

transformaciones

augmenter = imageDataAugmenter( ...

'RandXReflection',true,...

'RandYReflection',true,...

'RandRotation',[0,360], ...

'RandXTranslation',[-5 5], ...

'RandYTranslation',[-5 5]);

imageSize = [224 224 3];

auimds =

augmentedImageDatastore(imageSize,imdsTrain,'DataAugmentation

',augmenter);

auimdsValidation =

augmentedImageDatastore(imageSize,imdsTest);

ANEXOS 55

%% Establecer los parámetros de entrenamiento

options = trainingOptions('sgdm', ...

'InitialLearnRate',0.01, ...

'MaxEpochs',45, ...

'ValidationData',auimdsValidation, ...

'ValidationFrequency',20, ...

'MiniBatchSize',64,...

'Verbose',false, ...

'Plots','training-progress');

%% Activar la GPU para evitar errores de cómputo

d = gpuDevice(1)

%% Comenzar el entrenamiento de la red

net = trainNetwork(auimds,layerGraph(net),options);

%% Clasificar el set de pruebas con la red ya entrenada

Imagenes = auimdsValidation.readall;

YValidation = Imagenes.response;

YPred=[];

for i=1:length(Imagenes.input)

YPred = classify(net,Imagenes.input{i,1});

YpredN(i,1) = YPred;

end

%% Mostrar la exactitud en la clasificación

accuracy = sum(YpredN == YValidation)/numel(YValidation)

%% Mostrar la matriz de confusión

[C,order] =

confusionmat(YValidation,YpredN,'Order',{'Malign','Benign','N

ormal'})

figure

cm = confusionchart(C,order);

ANEXOS 56

Anexo II Código del programa para extraer las regiones de interés y conformar la

base de datos de dos clases

normal_index = [];

normal_cont = 1;

tumor_index = [];

tumor_cont = 1;

infoDB = infoMiniMias; % cargar archivo que contenga el

info.txt perteneciente a la DB

for i=1:length(infoDB)

if strcmp(infoDB{i,3},'NORM')

normal_index(normal_cont) = i;

normal_cont = normal_cont+1;

else

tumor_index(tumor_cont) = i;

tumor_cont = tumor_cont+1;

end

end

%%

% La composición de la base de datos será 70% para entrenar y

30% para clasificar. En el caso de los datos de entrenamiento

se desea que sean balanceados. Por tanto, se selecciona el

70% del de menor cantidad, en este caso se cuenta con 123 ROI

de tumor y 207 ROI normales. Se seleccionarán

round(0.7*min([length(normal_index) length(tumor_index)])) de

cada tipo para el entrenamiento.

rand_tumor = randperm(length(tumor_index));

rand_normal = randperm(length(normal_index));

N = round(0.7*min([length(normal_index)

length(tumor_index)]));

%% creando el train de las normal

% poner el current folder en la carpeta que se desea guardar

% poner en el path de Matlab la ubicación de las imágenes

originales

for i=1:N

Image = imread(['G:\UCLV\Asignaturas a Impartir\PDI

images\breast cancer\Mini-MiasDS\',

infoDB{normal_index(rand_normal(i)),1},'.pgm']);

fc = randi([1024/2-round(0.2*1024) 1024/2],1,2);

r = randi([5 round(1024/6)],1,1); %el mayor radio

encontrado era aproximadamente la 6ta parte de la imagen

X = fc(1);

Y = fc(2);

N_Image = Image(Y-r:Y+r,X-r:X+r);

ANEXOS 57

imwrite(N_Image,

[infoDB{normal_index(rand_normal(i)),1},'_',num2str(i),'Norma

l.pgm']);

end

%% creando el test de las normal

for i = N+1:length(normal_index)




fc = randi([1024/2-round(0.2*1024) 1024/2],1,2);

r = randi([5 round(1024/6)],1,1);

X = fc(1);

Y = fc(2);


imwrite(N_Image,


l.pgm']);

end

%%

% guardando los tumores (train)

for i=1:N

if ~isnan(infoDB{tumor_index(rand_tumor(i)),5})



infoDB{tumor_index(rand_tumor(i)),1},'.pgm']);

X = infoDB{tumor_index(rand_tumor(i)),5};

Tx = class(X);

switch Tx

case 'char'

X = str2num(X);

end

Y = infoDB{tumor_index(rand_tumor(i)),6};

Ty = class(Y);

switch Ty

case 'char'

Y = str2num(Y);

end

r = infoDB{tumor_index(rand_tumor(i)),7};

Tr = class(r);

switch Tr

case 'char'

r = str2num(r);

end

Ny = size(Image,1)-Y;

N_Image = Image(Ny-r:Ny+r,X-r:X+r);

ANEXOS 58

imwrite(N_Image,

[infoDB{tumor_index(rand_tumor(i)),1},'_',num2str(i),'Tumor.p

gm']);

else

disp(['Imagen---'

infoDB{tumor_index(rand_tumor(i)),1}])

end

end

%% guardando el test de los tumores

for i=N+1:length(tumor_index)

if ~isnan(infoDB{tumor_index(rand_tumor(i)),5})



infoDB{tumor_index(rand_tumor(i)),1},'.pgm']);

X = infoDB{tumor_index(rand_tumor(i)),5};

Tx = class(X);

switch Tx

case 'char'

X = str2num(X);

end

Y = infoDB{tumor_index(rand_tumor(i)),6};

Ty = class(Y);

switch Ty

case 'char'

Y = str2num(Y);

end

r = infoDB{tumor_index(rand_tumor(i)),7};

Tr = class(r);

switch Tr

case 'char'

r = str2num(r);

end



imwrite(N_Image,

[infoDB{tumor_index(rand_tumor(i)),1},'_',num2str(i),'Tumor.p

gm']);

else

disp(['Imagen---'

infoDB{tumor_index(rand_tumor(i)),1}])

end

end

ANEXOS 59

Anexo III Código del programa para extraer las regiones de interés y conformar la

base de datos de 3 clases

% crear dataset variante 2 (malign vs benign vs normal)

normal_index = [];

normal_cont = 1;

malign_index = [];

malign_cont = 1;

benign_index = [];

benign_cont = 1;

infoDB = infoMiniMias; % cargar archivo que contenga el

info.txt perteneciente a la DB

%%

for i=1:length(infoDB)

if strcmp(infoDB{i,3},'NORM')

normal_index(normal_cont) = i;

normal_cont = normal_cont+1;

elseif strcmp(infoDB{i,4},'M')

malign_index(malign_cont) = i;

malign_cont = malign_cont+1;

elseif strcmp(infoDB{i,4},'B')

benign_index(benign_cont) = i;

benign_cont = benign_cont+1;

end

end

%%

% La composición de la base de datos será 70% para entrenar y

30% para clasificar. En el caso de los datos de entrenamiento

se desea que sean balanceados. Por tanto, se selecciona el

70% del de menor cantidad, en este caso se cuenta con 54 ROI

malignas, 69 benignas y 207 normales. Se seleccionarán

round(0.7*min([length(normal_index) length(tumor_index)]))de

cada tipo para el entrenamiento.

rand_benign = randperm(length(benign_index));

rand_malign = randperm(length(malign_index));

rand_normal = randperm(length(normal_index));

N = round(0.7*min([length(normal_index) length(malign_index)

length(benign_index)]));

%% creando el train de las normal

for i=1:N

ANEXOS 60




fc = randi([1024/2-round(0.2*1024) 1024/2],1,2);

r = randi([5 round(1024/5)],1,1);

X = fc(1);

Y = fc(2);


imwrite(N_Image,


l.pgm']);

end

%% creando el test de las normal

for i = N+1:length(normal_index)




fc = randi([1024/2-round(0.2*1024) 1024/2],1,2);

r = randi([5 round(1024/5)],1,1);

X = fc(1);

Y = fc(2);


imwrite(N_Image,


l.pgm']);

end

%% creando el train de las malignas

for i=1:N

if ~isnan(infoDB{malign_index(rand_malign(i)),5})



infoDB{malign_index(rand_malign(i)),1},'.pgm']);

X = infoDB{malign_index(rand_malign(i)),5};

Tx = class(X);

switch Tx

case 'char'

X = str2num(X);

end

Y = infoDB{malign_index(rand_malign(i)),6};

Ty = class(Y);

switch Ty

case 'char'

Y = str2num(Y);

end

r = infoDB{malign_index(rand_malign(i)),7};

ANEXOS 61

Tr = class(r);

switch Tr

case 'char'

r = str2num(r);

end



imwrite(N_Image,

[infoDB{malign_index(rand_malign(i)),1},'_',num2str(i),'Tumor

.pgm']);

else

disp(['Imagen---'

infoDB{malign_index(rand_malign(i)),1}])

end

end

%% creando el test de las malignas

for i=N+1:length(malign_index)

if ~isnan(infoDB{malign_index(rand_malign(i)),5})



infoDB{malign_index(rand_malign(i)),1},'.pgm']);

X = infoDB{malign_index(rand_malign(i)),5};

Tx = class(X);

switch Tx

case 'char'

X = str2num(X);

end

Y = infoDB{malign_index(rand_malign(i)),6};

Ty = class(Y);

switch Ty

case 'char'

Y = str2num(Y);

end

r = infoDB{malign_index(rand_malign(i)),7};

Tr = class(r);

switch Tr

case 'char'

r = str2num(r);

end



imwrite(N_Image,

[infoDB{malign_index(rand_malign(i)),1},'_',num2str(i),'Tumor

.pgm']);

else

disp(['Imagen---'

infoDB{malign_index(rand_malign(i)),1}])

ANEXOS 62

end

end

%% train benignas

for i=1:N

if ~isnan(infoDB{benign_index(rand_benign(i)),5})



infoDB{benign_index(rand_benign(i)),1},'.pgm']);

X = infoDB{benign_index(rand_benign(i)),5};

Tx = class(X);

switch Tx

case 'char'

X = str2num(X);

end

Y = infoDB{benign_index(rand_benign(i)),6};

Ty = class(Y);

switch Ty

case 'char'

Y = str2num(Y);

end

r = infoDB{benign_index(rand_benign(i)),7};

Tr = class(r);

switch Tr

case 'char'

r = str2num(r);

end



imwrite(N_Image,

[infoDB{benign_index(rand_benign(i)),1},'_',num2str(i),'Benig

n.pgm']);

else

disp(['Imagen---'

infoDB{benign_index(rand_benign(i)),1}])

end

end

%% test benignas

for i=N+1:length(benign_index)

if ~isnan(infoDB{benign_index(rand_benign(i)),5})



infoDB{benign_index(rand_benign(i)),1},'.pgm']);

X = infoDB{benign_index(rand_benign(i)),5};

Tx = class(X);

switch Tx

case 'char'

X = str2num(X);

ANEXOS 63

end

Y = infoDB{benign_index(rand_benign(i)),6};

Ty = class(Y);

switch Ty

case 'char'

Y = str2num(Y);

end

r = infoDB{benign_index(rand_benign(i)),7};

Tr = class(r);

switch Tr

case 'char'

r = str2num(r);

end



imwrite(N_Image,

[infoDB{benign_index(rand_benign(i)),1},'_',num2str(i),'Benig

n.pgm']);

else

disp(['Imagen---'

infoDB{benign_index(rand_benign(i)),1}])

end

end

Título: Clasificación de lesiones mamarias sobre la base ...

Documents

Transcript of Título: Clasificación de lesiones mamarias sobre la base ...