Sistema para la detección y clasificación de anomalías en mamografías digitales basado en aprendizaje profundo

Abstract

La mamografía es el principal instrumento para la detección de anomalías mamarias como quistes, fibroadenomas, calcificaciones, masas y cáncer de seno, sobre todo para su detección en etapas tempranas. Sin embargo, existe la posibilidad de que se realicen diagnósticos erróneos y tratamientos invasivos innecesarios, debido a que este tipo de lesiones son difíciles de detectar. Este documento introduce un sistema basado en aprendizaje profundo utilizando redes neuronales convolucionales para la detección y clasificación de anomalías en mamografías digitales en aras de servir de apoyo en la toma de decisiones del personal encargado. El sistema fue entrenado y probado con imágenes mamográficas de las bases de datos mini- MIAS, INbreast y DDSM, clasificándolas como “masas malignas”, “masas benignas”, “calcificaciones” y “normales”. El sistema fue evaluado en cuanto a su precisión comparado con el comportamiento con las arquitecturas VGG16 y ResNet. Se obtuvo una exactitud general del 83,1%.