DESARROLLO DE UNA HERRAMIENTA PARA LA DETECCIÓN DE TEJIDOS ANÓMALOS EN MAMOGRAFÍAS DIGITALES MEDIANTE REDES NEURONALES CONVOLUCIONALES

TFG

Autor: Juana González Bueno Puyal

Tutora: Belén Ríos Sánchez

Ponente: Carmen Sánchez Ávila

Hoy en día el cáncer de mama es una de las enfermedades más comunes entre mujeres, con 1.7 millones de casos nuevos al año en el mundo según las últimas estadísticas ofrecidas por la World Cancer Research Fund International en su sitio web, correspondientes al año 2012. En la lucha contra esta enfermedad la detección precoz juega un papel fundamental, ya que permite aumentar considerablemente el pronóstico y la supervivencia de los pacientes. Para ello es importante la sensibilización de la población respecto a la aparición de síntomas, así como la realización periódica de exploraciones clínicas de la mama junto con otras pruebas diagnósticas entre las que destaca la mamografía, uno de los métodos más eficaces y extendidos hoy en día.
En concreto, la detección temprana del cáncer de mama mediante el uso de imágenes mamográficas se basa en la localización de anomalías como microcalcificaciones o masas tumorales, que son indicadores fiables de la presencia de la enfermedad. Sin embargo, su correcta interpretación es un proceso costoso, incluso para radiólogos experimentados, debido a la presencia de ruido, la similitud entre tejidos y la alta variabilidad y pequeño tamaño de las anomalías. El difícil análisis de estas imágenes provoca la realización de pruebas adicionales como mamografías suplementarias o biopsias, con el consiguiente coste asociado para la institución clínica y desgaste mental del paciente. La reducción de costes y la mejora del diagnóstico pueden llevarse a cabo mediante la implantación de innovaciones tecnológicas que permitan realizar una interpretación precisa y eficiente de las mamografías.
En este trabajo se ha implementado una herramienta de detección de anomalías para el apoyo al radiólogo en el diagnóstico de mamografías que consta de tres partes bien diferenciadas: el módulo de mejora de la calidad de la imagen, el módulo de adaptación de la imagen a los requisitos de entrada al clasificador y el módulo de clasificación. Durante la primera etapa del sistema se aplican distintas técnicas de eliminación del ruido con el fin de obtener imágenes más nítidas en las que las anomalías sean más fácilmente apreciables. En la segunda fase las imágenes se subdividen en imágenes de 32x32 píxeles con el fin de minimizar la carga computacional del siguiente módulo. A continuación, ya en la etapa de clasificación se analizan las imágenes mediante redes neuronales convolucionales con el fin de localizar posibles anomalías e identificar su tipología (masa tumoral o microcalcificación) y su malignidad (benigna o cancerosa).
Se trata, en definitiva, de aplicar de forma innovadora una conocida técnica de aprendizaje automático a la clasificación de mamografías, de manera que permita aportar una ayuda al cuadro médico a la hora de la toma de decisiones, mejorando y acelerando así la detección temprana del cáncer de mama.