Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/4227| Clasificación de anormalidades en mastografías utilizando ensambles Classification of abnormalities in mammograms using ensembles | |
| Luis Guillermo Rodríguez López | |
| VITALI KOBER José Ángel González Fraga | |
| Acceso Abierto | |
| Atribución | |
| aprendizaje por ensamble, aprendizaje profundo, aprendizaje máquina, anormalidades de una mastografía ensemble learning, deep learning, machine learning, mammogram abnormalities | |
| El cáncer de mama es el cáncer más común en las mujeres y una de las principales causas de morbilidad y mortalidad, lo que lo convierte en un problema de salud con importancia mundial. La mamografía es una técnica de diagnóstico por imágenes altamente estandarizado para los programas de detección temprana del cáncer de mama, sin embargo, al día de hoy, la estimación de la densidad mamaria, la clasificación de calcificaciones y masas (clasificación de anormalidades), tanto en benignas como malignas (patologías) con evaluación visual sigue siendo un desafío debido al tejido adiposo de las mamas, por lo que se han creado distintas maneras de abordar este problema utilizando aprendizaje máquina. Cabe mencionar que en este estudio se empleó exclusivamente la base de datos CBIS-DDSM para realizar experimentos que incluyen la clasificación de anormalidades y la detección temprana del cáncer de mama, siendo este último la más relevante. Para ello, se propone el uso de métodos de aprendizaje máquina junto con aprendizaje profundo para mejorar la tasa de clasificación de modelos entrenados individualmente. Entre las técnicas exploradas se encuentran el aprendizaje por transferencia (transfer learning), el ajuste fino (fine tuning), el uso de redes neuronales convolucionales como extractores de características y como clasificador final, el uso de métodos de ensamble y la exploración de modelos híbridos. Como resultado, se obtuvo un modelo con un accuraccy del 75.95 % en la detección temprana del cáncer de mama, sin embargo, se seleccionó otro con un accuracy del 75.36 %, pero con una especificidad (precisión) del 81.97 %, convirtiéndose en un modelo más confiable. Breast cancer is the most common cancer among women and one of the leading causes of morbidity and mortality, making it a global health concern. Mammography is a highly standardized imaging diagnostic technique used in early breast cancer detection programs. However, the visual assessment of breast density, classification of calcifications and masses (abnormality classification), both benign and malignant (pathologies), remains challenging due to the adipose tissue in the breasts. To address this issue, various approaches have been developed using machine learning. In this study, the CBIS-DDSM database was exclusively employed to conduct experiments focused on abnormality classification and early breast cancer detection. The proposed methodology integrates machine learning and deep learning techniques to enhance the classification performance of individually trained models. The explored techniques include transfer learning, fine-tuning, the use of convolutional neural networks as feature extractors and final classifiers, ensemble methods, and hybrid model exploration. As a result, a model achieving an accuracy of 75.95 % in early breast cancer detection was obtained. However, a different model, with a slightly lower accuracy of 75.36 %, was selected due to its higher specificity (precision) of 81.97 %, making it a more reliable option. | |
| CICESE | |
| 2024 | |
| Tesis de maestría | |
| Español | |
| Rodríguez López, L.G. 2024. Clasificación de anormalidades en mastografías utilizando ensambles. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 131 pp. | |
| INSTRUMENTOS MÉDICOS | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Luis Guillermo Rodríguez López_2024.pdf | Descripción completa de la tesis | 17.09 MB | Adobe PDF | Visualizar/Abrir |