Algoritmo de clasificación de lesiones en exámenes mamográficos

Abstract

El uso de técnicas de visión por computador aplicadas en el campo de la medicina, permiten acelerar el proceso de detección de cualquier tipo de enfermedad ayudando a los especialistas a la realización de diagnósticos y, por ende, reduciendo la tasa de mortalidad al detectar posibles sintomatologías durante etapas prematuras. En concreto, las redes neuronales convolucionales forman parte del estado del arte en tareas de clasificación de imágenes gracias a que su arquitectura bidimensional se asemeja a la estructura de los datos de entrada. En este trabajo, se han utilizado 4 arquitecturas de redes neuronales convolucionales para clasificar los distintos tipos de lesiones presentes en imágenes mamográficas como malignos o benignos. Las decisiones tomadas por cada arquitectura han sido combinadas mediante un algoritmo Random Forest con el objetivo de emular el diagnóstico realizado por distintos especialistas a la hora de analizar un examen mamográfico. La herramienta final generada a partir de la combinación secuencial de clasificadores, ha presentado métricas del 92 % para la clasificación de muestras benignas y malignas del set de datos MIAS.

The use of computer vision techniques applied in the field of medicine allows us to accelerate the process of detection of any type of disease, helping specialists to carry out diagnoses and reducing the mortality rate when detecting possible symptoms during premature stages. Specifically, convolutional neural networks are part of the state-of-the-art in image classification tasks thanks to the fact that their two-dimensional architecture resembles the structure of the input data. In this work, 4 convolutional neural network architectures have been used to classify the different types of lesions present in mammographic images, as malignant or benign. The decisions made by each architecture have been combined using a Random Forest algorithm in order to emulate the diagnosis made by different specialists when analyzing a mammographic examination. The final tool generated from the sequential combination of classifiers has presented metrics of 92% for the classification of benign and malignant samples from the MIAS data set.

L'ús de tècniques de visió per computador aplicades en el camp de la medicina, permeten accelerar el procés de detecció de qualsevol mena de malaltia ajudant als especialistes a la realització de diagnòstics i, per tant, reduint la taxa de mortalitat en detectar possibles simptomatologies durant etapes prematures. En concret, les xarxes neuronals convolucionals formen part de l'estat de l'art en tasques de classificació d'imatges gràcies a que la seva arquitectura bidimensional s'assembla a l'estructura de les dades d'entrada. En aquest treball, s'han utilitzat 4 arquitectures de xarxes neuronals convolucionals per a classificar els diferents tipus de lesions presents en imatges mamogràfiques com a malignes o benignes. Les decisions preses per cada arquitectura han estat combinades mitjançant un algorisme Random Forest amb l'objectiu d'emular el diagnòstic realitzat per diferents especialistes a l'hora d'analitzar un examen mamogràfic. L'eina final generada a partir de la combinació seqüencial de classificadors, ha presentat mètriques del 92% per a la classificació de mostres benignes i malignes del set de dades MIAS.