Clasificación Automática de Nódulos Mamográficos Basada en Fusión de Información Multi-vista

Producción científica: Capítulo del libro/informe/acta de congresoCapítulo

Resumen

Una correcta evaluación e interpretación mamográfica demanda un alto nivel de experticia del radiólogo observador, depende directamente de un adecuado análisis visual de los hallazgos y la correlación de las características radiológicas extraídas de diferentes proyecciones mamográficas. En este artículo se presenta un esquema de clasificación automática de nódulos contenidos en Regiones de Interés (RoIs), extraídos de dos diferentes proyecciones mamográficas (Medio Lateral Oblicua y CreaneoCaudal) obtenidas de la misma glándula mamaria, mediante un estrategia de fusión de información ipsilateral. Una vez que, el radiólogo especialista selecciona una Región de Interés en las dos proyecciones mamográficas, estas son caracterizadas mediante descomposiciones multi-resolución y multi-escala, para lo cual, cada RoI es proyectada sobre dos espacios diferentes definidos por los momentos de Zernike y la transformada Curvelet, respectivamente. Así esta información heterogénea es optimamente fusionada mediante una estrategia de aprendizaje de múltiples kernels (Multiple Kernel Learning) construida por un entrenamiento con máquinas de soporte vectorial (SVM). El desempeño de la estrategia propuesta para clasificar nódulos malignos y benignos, fue evaluado respecto a un esquema de clasificación basado en el análisis de la RoI correspondiente a una única proyección, para lo cual se utilizaron un conjunto de 980 RoI extraídos de 490 casos de estudio de la base de datos de mamografía (DDSM) y 216 RoI extraídos de 108 casos de estudio de la base de datos INBreast. Los resulta dos obtenidos reportan una sensibilidad del 98.3% y especificidad del 94.5% frente a una sensibilidad del 96.2% y especificidad del 93.1% obtenidos cuando se utilizaron características multi-resolución en una única proyección. Estos resultados sugieren que la estrategia propuesta puede ser útil en escenarios clínicos y puede contribuir a la capacitación de nuevos radiólogos como segundo lector.
Título traducido de la contribuciónAutomatic Classification of Mammographic Nodules Based on Fusion of Multi-view Information
Idioma originalEspañol (Ecuador)
Título de la publicación alojadaAplicaciones e innovación de la ingeniería en ciencia y tecnología
EditorialEditorial Universitaria Abya-Yala
Páginas233-264
Número de páginas32
ISBN (versión impresa)978-9978-10-361-6
EstadoPublicada - 26 jun. 2019

Palabras clave

  • Computer aided diagnosis
  • Curvelet transform
  • Multiple kernel learning
  • Zernike moments

Areas de Conocimiento del CACES

  • 8217A Mecatrónica

Huella

Profundice en los temas de investigación de 'Clasificación Automática de Nódulos Mamográficos Basada en Fusión de Información Multi-vista'. En conjunto forman una huella única.

Citar esto