Detección del carcinoma de glándula mamaria mediante termografía infrarroja usando redes neuronales profundas

Abstract

El objetivo principal de este trabajo es la evaluación de una red neuronal convolucional que facilite la detección precoz del cáncer de mama utilizando imágenes de termografía infrarroja. En la literatura se han presentado resultados satisfactorios en estudios previos utilizando otros algoritmos. Los principales retos de la utilización de redes neuronales son dos, disponer de un gran número de imágenes y el tiempo de procesamiento. El planteamiento es utilizar las funciones de alto nivel implementadas en la librería fast.ai, sobre la plataforma Pytorch, que han obtenido resultados excelentes en la clasificación de imágenes, tal como lo avalan sus éxitos en las competiciones de Kaggle, referencia mundial en las tecnologías Machine Learning. Las imágenes se organizaron en los tres grupos habituales: training, validation y test; lo que nos permitió contrastar los resultados utilizando diferentes arquitecturas pre-entrenadas (resnet18, resnet34, resnet50, resnet152, vgg16 y vgg19) permitiendo agilizar el tiempo de procesamiento, y valorar su clasificación mediante matrices de confusión, obteniendo el mejor resultado con resnet34, con un accuracity en el test de 0.985.

L'objectiu principal d'aquest treball és l'avaluació d'una xarxa neuronal convolucional que faciliti la detecció precoç del càncer de mama utilitzant imatges de termografia infraroja. En la literatura s'han presentat resultats satisfactoris en estudis previs utilitzant altres algorismes. Els principals reptes de la utilització de xarxes neuronals són dues, disposar d'un gran nombre d'imatges i el temps de processament. El plantejament és utilitzar les funcions d'alt nivell implementades en la llibreria fast.ai, sobre la plataforma Pytorch, que han obtingut resultats excel·lents en la classificació d'imatges, tal com ho avalen els seus èxits en les competicions de Kaggle, referència mundial en les tecnologies Machine Learning. Les imatges es van organitzar en els tres grups habituals: training, validation i test; el que ens va permetre contrastar els resultats utilitzant diferents arquitectures pre-entrenades (resnet18, resnet34, resnet50, resnet152, vgg16 i vgg19) permetent agilitar el temps de processament, i valorar la seva classificació mitjançant matrius de confusió, obtenint el millor resultat amb resnet34, amb un accuracity en el test de 0.985.

The main objective of this work is the evaluation of a convolutional neuronal network that facilitates the early detection of breast cancer using infrared thermography images. The literature shows satisfactory results in previous studies using other algorithms. The main challenges of using neural networks are two, having a large number of images and processing time. The approach is to use the high-level functions implemented in the fast.ai library, on the Pytorch platform, which have obtained excellent results in the image classification, as endorsed by their successes in the Kaggle competitions, a world reference in technologies Machine Learning. The images are organized in the three usual groups: training, validation and testing; what has told us to contrast the results using different pre-trained architectures (renet18, resnet34, resnet50, resnet152, vgg16 and vgg19) use the processing time, assess their classification by means of confusion matrices, obtain the best result with resnet34, with a accuracy in the 0.985 test.