Breast Cancer Diagnosis Using Image Processing and Machine Learning for Elastography Images
Enviado por Jossevf Gonzales • 10 de Octubre de 2019 • Tesis • 2.027 Palabras (9 Páginas) • 127 Visitas
Plantilla del Estado del Arte
Author (s): M. Adel, A. Kotb, O. Farag, M.S. Darweesh & H. Mostafa
Títle of paper: Breast Cancer Diagnosis Using Image Processing and Machine Learning for Elastography Images
Journal: International Conference on Modern Circuits and Systems Technologies
Volume (issue): XX – Issue XX
pag – pag (year): 01-04 (2019)
Problema que el autor desea resolver (0.5 página)
El cáncer de mama constituye una amenaza significativa para la salud de las mujeres y se considera la segunda causa principal de muerte. El cáncer de mama es el resultado de un comportamiento anormal en la funcionalidad de las células mamarias normales. Por lo tanto, las células mamarias tienden a crecer incontrolablemente formando un tumor que se puede sentir como un bulto en el seno. Se ha demostrado que el diagnóstico precoz del cáncer de mama reduce los riesgos de muerte al proporcionar una mejor oportunidad de identificar un tratamiento adecuado. En general, la palpación, la ecografía y la mamografía son las formas más comunes de diagnóstico. Sin embargo, la elastografía por ultrasonido actualmente desempeña un papel vital en el proceso de diagnóstico de cáncer de seno. El diagnóstico asistido por computadora utilizando una combinación de imágenes de ultrasonido (modo B) y elastografía muestra una notable superioridad sobre otras técnicas de imagen digital debido a su clasificación precisa de las lesiones.
Importancia del problema (0.5 página)
El aprendizaje automático encuentra un papel importante en las aplicaciones biomédicas en las que la precisión de las mediciones es un factor crucial. Posteriormente, los algoritmos de aprendizaje automático pueden ayudar a diagnosticar el cáncer de mama en sus primeras etapas. Las herramientas de aprendizaje automático pueden determinar la mayoría de las características predicativas a partir de conjuntos de datos complejos y ruidosos. Como resultado, las decisiones falsas negativas y falsas positivas podrían reducirse significativamente, lo que produce una mejor precisión de clasificación.
Estado del arte que hace el autor (0.5 página)
Como una técnica de imagen médica de tendencia, la elastografía y el modo B (ultrasonido) se combinan como una herramienta de diagnóstico para diferenciar entre lesiones mamarias benignas y malignas en función de su rigidez y propiedades geométricas. Las técnicas de procesamiento de imágenes se aplican a las imágenes resultantes para la extracción de características. Los métodos de preprocesamiento de datos y el análisis de componentes principales (PCA) como una técnica de reducción de dimensionalidad se aplican al conjunto de datos.
Motivación del autor (críticas del autor a otros trabajos) (0.5 página)
Se ha demostrado que el diagnóstico precoz del cáncer de mama reduce los riesgos de muerte al proporcionar una mejor oportunidad de identificar un tratamiento adecuado. En general, la palpación, la ecografía y la mamografía son las formas más comunes de diagnóstico. Sin embargo, la elastografía por ultrasonido actualmente desempeña un papel vital en el proceso de diagnóstico de cáncer de seno. El diagnóstico asistido por computadora utilizando una combinación de imágenes de ultrasonido (modo B) y elastografía muestra una notable superioridad sobre otras técnicas de imagen digital debido a su clasificación precisa de las lesiones.
Descripción del aporte del autor (2.5 - 3 páginas)
MATERIALES Y MÉTODOS
El enfoque de clasificación implementado consta de tres etapas consecutivas principales. En primer lugar, el conjunto de datos se extrae utilizando algoritmos de procesamiento de imágenes y luego se aplican procedimientos de preprocesamiento de datos al conjunto de datos. Finalmente, las técnicas de aprendizaje automático se utilizan para la clasificación.
A. Conjunto de datos
El conjunto de datos se compone de imágenes DICOM combinadas de ultrasonido y elastografía de ultrasonido etiquetadas por radiólogos experimentados y recopiladas durante el período de febrero de 2017 a junio de 2018. Se tomaron un total de 82 imágenes para 34 pacientes diferentes en los que algunos pacientes tienen múltiples lesiones mientras que otros pacientes tener solo uno. Además, se obtienen algunas elastografías de ultrasonido utilizando dos materiales de emparejamiento diferentes (aceite y gel) entre el transductor de un sistema de imagen por ultrasonido y el tejido mamario de la paciente. Las lesiones están marcadas como 56 lesiones malignas y 26 lesiones benignas. Las imágenes tienen diferentes tamaños donde la imagen en modo B se muestra a la izquierda en la Fig. 1. Mientras que la imagen de elastografía se superpone con la imagen en modo B como se muestra a la derecha. Se representan diferentes niveles de cepas medidas en las imágenes de elastografía utilizando un mapa de colores; donde el azul representa la tensión más alta (más suave), el verde representa la tensión media (intermedia) y el rojo la tensión más baja (más dura)
B. Segmentación de imagen
Hay dos regiones de intereses (ROI) que se pueden extraer de cada imagen que son el tumor en la imagen en modo B y el tumor en la imagen de elastografía. Por lo tanto, la segmentación del ROI de las imágenes se realiza para poder extraer y medir las características de diferentes tumores para el diagnóstico.
Las imágenes se recortan para separar las imágenes en modo B de las imágenes de elastografía. Los tumores en las imágenes en modo B se segmentan utilizando el umbral adecuado para los niveles de gris que separan el tumor del fondo. Mientras tanto, para extraer el tumor en las imágenes de elastografía, la imagen en modo B se resta de la imagen de elastografía seguido de enmascarar la imagen de elastografía con el ROI en el modo B. A partir de entonces, se aplica un umbral de color adecuado para extraer la región con la cepa más baja (la más dura).[pic 1]
...