Sistema de decisión basado en lógica difusa para la detección de distorsiones de la arquitectura de la glándula mamaria
DOI:
https://doi.org/10.15332/iteckne.v9i2.2764Palabras clave:
Cáncer de mama, Distorsión de la arquitectura, Mamografía, Procesamiento digital de imágenes, Diagnóstico asistido por computadorResumen
La distorsión de la arquitectura es un cambio anormal del tejido de la glándula mamaria con la consiguiente formación de lesiones finas y espiculadas que no están asociadas a la presencia de una masa. La distorsión es el tercer hallazgo mamográfico más común y por la dificultad de su detección es el primer causante de falsos negativos en los diagnósticos. Este artículo presenta la planeación, implementación y pruebas de un método que sirve como soporte para la detección de distorsiones de la arquitectura de la glándula mamaria a partir de imágenes de radiología de mama. El método asiste a los especialistas en el proceso de decisión diagnóstica como segundo intérprete en el análisis de mamografías mediante la integración de cuatro etapas principales que van desde el pre-procesamiento de la imagen hasta la clasificación final con base en las características de textura de las regiones de interés extraídas. El método presentado fue validado mediante el análisis de imágenes mamográficas de la base de datos DDSM (Digital Data base for Screening Mammography), que logra valores de precisión general hasta de un 90.7% lo cual lo convierte en una base importante para la disminución del número de falsos negativos en la detección de distorsiones de la arquitectura de la glándula mamaria.
Descargas
Citas
[2] Instituto Nacional de Cancerología, “Casos nuevos de cáncer de mama, según estadio clínico al ingreso y régimen de afiliación.” 2009.
[3] F. R. Narváez E., “Sistema de Anotación para Apoyo en el Seguimiento y Diagnóstico de Cáncer de Seno,” Universidad Nacional de Colombia, 2010.
[4] American College of Radiology (ACR), Breast Imaging Reporting and Data System, 4th ed. 2003.
[5] A. M. Knutzen and J. J. Gisvold, “Likelihood of malignant disease for various categories of mammographically detected, nonpalpable breast lesions.,” in Mayo Clinic proceedings. Mayo Clinic, 1993, Vol. 68, p. 454.
[6] S. Banik, R. M. Rangayyan, and J. E. L. Desautels, “Detection of Architectural Distortion in Prior Mammograms,” Medical Imaging, IEEE Transactions on, vol. 30, no. 2, pp. 279–294, 2011.
[7] D. A. Gómez Betancur, “Método de detección de distorsiones de la arquitectura de la glándula mamaria a partir de imágenes radiológicas,” Universidad Nacional de Colombia, 2012.
[8] M. D. Phillips, “Invasive Lobular Breast Carcinoma: Pathology And Genetics Reflected By MRI,” The WorldCare Clinical (WCC) Note, Vol. 4, 2010.
[9] T. Matsubara, T. Ichikawa, T. Hara, H. Fujita, S. Kasai, T. Endo, and T. Iwase, “Novel method for detecting mammographic architectural distortion based on concentration of mammary gland,” in International Congress Series, 2004, vol. 1268, pp. 867–871.
[10] B. C. Yankaskas, M. J. Schell, R. E. Bird, and D. A. Desrochers, “Reassessment of breast cancers missed during routine screening mammography: a communitybased study,” American Journal of Roentgenology, vol. 177, no. 3, p. 535, 2001.
[11] M. Bustamante, G. Lefranc, A. Núñez, and M. G. Pesce, “Calculo De La Amplitud Dispersada En Mamografias, Usando Como Modelo De Degradacion El Filtro Bosso.,” PHAROS, Vol. 8, No. 1, 2001.
[12] H. D. Cheng, X. J. Shi, R. Min, L. M. Hu, X. P. Cai, and H. N. Du, “Approaches for automated detection and classification of masses in mammograms,” Pattern Recognition, vol. 39, no. 4, pp. 646–668, 2006.
[13] J. Tang, R. M. Rangayyan, J. Xu, I. El Naqa, and Y. Yang, “Computer-aided detection and diagnosis of breast cancer with mammography: Recent advances,” Information Technology in Biomedicine, IEEE Transactions on, Vol. 13, No. 2, pp. 236–251, 2009.
[14] R. M. Rangayyan and T. M. Nguyen, “Fractal Analysis of Contours of Breast Masses in Mammograms,” Journal of Digital Imaging, Vol. 20, pp. 223–237, Oct. 2006.
[15] T. Matsubara, T. Ichikawa, T. Hara, H. Fujita, S. Kasai, T. Endo, and T. Iwase, “Automated detection methods for architectural distortions around skinline and within mammary gland on mammograms,” International Congress Series, vol. 1256, no. 0, pp. 950–955, Jun. 2003.
[16] N. Eltonsy, G. D. Tourassi, and A. Elmaghraby, “Investigating performance of a morphology-based CAD scheme in detecting architectural distortion in screening mammograms,” Proc. 20th Int. Congr. Exhib. Comput. Assist. Radiol. Surg, pp. 336–338, 2006.
[17] G. D. Tourassi, D. M. Delong, and C. E. Floyd, “A study on the computerized fractal analysis of architectural distortion in screening mammograms,” Physics in Medicine and Biology, Vol. 51, pp. 1299–1312, Mar. 2006.
[18] R. M. Rangayyan, S. Prajna, F. J. Ayres, and J. E. L. Desautels, “Detection of architectural distortion in prior screening mammograms using Gabor filters, phase portraits, fractal dimension, and texture analysis,” International Journal of Computer Assisted Radiology and Surgery, Vol. 2, No. 6, pp. 347–361, 2008.
[19] S. Prajna, R. M. Rangayyan, F. J. Ayres, and J. E. L. Desautels, “Detection of architectural distortion in mammograms acquired prior to the detection of breast cancer using texture and fractal analysis,” in Proceedings of SPIE, 2008, Vol. 6915, p. 691529.
[20] R. M. Rangayyan, S. Banik, and J. E. L. Desautels, “Computer-aided detection of architectural distortion in prior mammograms of interval cancer,” Journal of Digital Imaging, Vol. 23, No. 5, pp. 611–631, 2010.
[21] S. Russell, Inteligencia Artificial - Un Enfoque Moderno, 2nd ed. 2004.
[22] T. Nakashima, G. Schaefer, Y. Yokota, and H. Ishibuchi, “A weighted fuzzy classifier and its application to image processing tasks,” Fuzzy sets and systems, Vol. 158, No. 3, pp. 284–294, 2007.
[23] H. Ishibuchi and T. Nakashima, “Effect of rule weights in fuzzy rule-based classification systems,” Fuzzy Systems, IEEE Transactions on, Vol. 9, No. 4, pp. 506– 515, 2001.
[24] R. M. Haralick, K. Shanmugam, and I. Dinstein, “Textural Features for Image Classification,” IEEE Transactions on Systems, Man and Cybernetics, Vol. 3, No. 6, pp. 610–621, Nov. 1973.
[25] M. Amadasun and R. King, “Textural features corresponding to textural properties,” IEEE Transactions on Systems, Man, and Cybernetics, vol. 19, no. 5, pp. 1264–1274, Oct. 1989.
[26] H. Tamura, S. Mori, and T. Yamawaki, “Textural Features Corresponding to Visual Perception,” IEEE Transactions on Systems, Man and Cybernetics, Vol. 8, No. 6, pp. 460–473, Jun. 1978.
[27] D.-Y. Tsai and K. Kojima, “Measurements of texture features of medical images and its application to computer-aided diagnosis in cardiomyopathy,” 2005.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
La revista ITECKNE se encuentra registrada bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional Por lo tanto, esta obra se puede reproducir, distribuir y comunicar públicamente, siempre que se reconozca el nombre de los autores y a la Universidad Santo Tomás. Se permite citar, adaptar, transformar, autoarchivar, republicar y crear a partir del material, siempre que se reconozca adecuadamente la autoría, se proporcione un enlace a la obra original y se indique si se han realizado cambios.
La Revista ITECKNE no retiene los derechos sobre las obras publicadas y los contenidos son responsabilidad exclusiva de los autores, quienes conservan sus derechos morales, intelectuales, de privacidad y publicidad. Sin embargo esta facultada para editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir el artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.
