Detección de microcalcificaciones en imágenes mamográficas usando redes neuronales Translated title: Micro-calcification detection in mammographic images using neural networks

Abstract

El cáncer de mama es una de las principales causas de muerte entre las mujeres a nivel mundial, según la Asociación Americana del Cáncer. El factor clave para reducir el impacto de esta enfermedad es su detección temprana. El presente documento, describe el desarrollo de un software que tiene como objetivo principal constituirse como base de un mecanismo de segunda opinión en el proceso de detección de microcalcificaciones, a través del estudio de imágenes mamográficas. El software trabaja a partir de una mamografía digitalizada, la cual es procesada para ingresarla como dato de entrada a una Red Neuronal Artificial (RNA) del tipo perceptrón multicapas; ésta se encarga de detectar si la imagen presenta microcalcificaciones. La RNA se implementó en lenguaje C++, con una arquitectura de una capa oculta y el algoritmo de aprendizaje Backpropagation, en combinación con técnicas basadas en el análisis estadístico sobre la textura de imágenes. La data base para el desarrollo de la aplicación proviene de la base de datos de la Sociedad de Análisis de Imágenes Mamográficas (MIAS, en sus siglas en inglés). La efectividad alcanzada en la evaluación del software fue de 94.4% de aciertos en su predicción, mostrando así el potencial de la aplicación de ambas técnicas para el abordaje del problema planteado.

Translated abstract

According to the American Cancer Society, breast cancer is one of the leading causes of death in women worldwide. The key factor to reduce the impact of this disease is an early diagnosis. The software described in this document aims to be a mechanism for second opinion in detection of micro-calcifications in mammographic images. In this software, digitalized mammographies are processed and inserted as entry data to a multi-layer perceptron, which is able to detect presence of micro-calcifications in the provided images. The neural network was implemented in C++ language; its architecture has one hidden layer and uses a back-propagation learning algorithm in combination with techniques of statistical analysis over the image texture. The data used in this research was extracted from the MIAS database. The software assessment reported 94.4% of sensitivity in prediction tasks, showing the potential of both techniques in the resolution of the problem.