Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2641| MAESTRA EN CIENCIAS EN LA ESPECIALIDAD DE CIENCIAS Y TECNOLOGÍAS BIOMÉDICAS | |
| Estefania Ruiz Muñoz | |
| Leopoldo Altamirano Perla Carolina Garcia Flores | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Breast cancer Tomosynthesis Detection Classification Transfer learning CNN YOLO | |
| La detección de tumores de mama es crucial para evitar las muertes a causa de esta enfermedad, se ha demostrado que la detección temprana de este cáncer incrementa la probabilidad de supervivencia del paciente. La Tomosíntesis digital 3D (DBT) es una tecnología que puede mejorar la capacidad de los radiólogos para detectar el cáncer de mama, especialmente en el caso de mamas densas, donde supera a la mamografía. Aunque se propusieron diferentes métodos automatizados para detectar lesiones mamarias en imágenes mamográficas, hay muy pocos métodos para DBT debido a la falta de disponibilidad de suficientes imágenes etiquetadas para entrenar detectores de objetos. En este trabajo se implementa una Red Neuronal Convolucional (CNN), previamente entrenada, para detección y clasificación de tumores en imágenes DBT. Con el sistema propuesto se realiza el preprocesamiento de imágenes usando aumento de datos, extracción de características, detección de masas con confianza y, finalmente, clasificación de masas mediante YOLOv5. Se logra una precisión del 84%, Recall de 93% y un mAP de 97%, donde el modelo YOLOv5x brinda la mejor precisión y sensibilidad. Por lo tanto, la DBT presenta una oportunidad única para desarrollar mejores prácticas en conjunto con algoritmos de Deep Learning que detecta atributos generales de los tumores malignos o benignos, demostrando que se puede lograr un rendimiento moderado y una reducción significativa de los falsos positivos con datos de entrenamiento limitados. The detection of breast tumors is crucial to avoid deaths from this disease, it has been shown that early detection of this cancer increases the probability of patient survival. 3D Digital Tomosynthesis (DBT) is a technology that may improve the ability of radiologists to detect breast cancer, especially in the case of dense breasts, where it outperforms mammography. Although different automated methods have been proposed to detect breast lesions in mammographic images, there are very few methods for DBT due to the lack of availability of enough labeled images to train object detectors. In this work, a previously trained Convolutional Neural Network (CNN) is implemented for the detection and classification of tumors in DBT images. With the proposed system, image preprocessing is performed using data augmentation, feature extraction, mass detection with confidence, and finally, mass classification using YOLOv5. An accuracy of 84%, a recall of 93% and a mAP of 97% are achieved, with the YOLOv5x model providing the best accuracy and sensitivity. Therefore, DBT presents a unique opportunity to develop best practices in conjunction with Deep Learning algorithms that detect general attributes of malignant or benign tumors, demonstrating that moderate throughput and a significant reduction in false positives can be achieved with data. limited training. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2022-12 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Ruíz Muñoz, E., (2022), Redes neuronales convolucionales profundas con transferencia de aprendizaje para la detección y clasificación automatizada de tumores en imágenes de tomosíntesis, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| OTRAS ESPECIALIDADES MÉDICAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias y Tecnologías Biomédicas |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| RUIZME_MCTB.pdf | 2.68 MB | Adobe PDF | Visualizar/Abrir |