Aplicación de procesamiento digital a imágenes de baja resolución para mejorar la detección del cáncer de mama mediante redes neuronales
Cargando...
Archivos
Fecha
2024-06
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
El Carcinoma Ductal Invasivo (CDI) es una de las principales causas de morbilidad y mortalidad en mujeres, representando entre el 70 % y el 80 % de los casos de cáncer de mama. La detección inicial de este tipo de cáncer se realiza mediante mamografías. Cuando estas imágenes sugieren la presencia de una anomalía, se procede a un diagnóstico más preciso a través de biopsias. Los diagnósticos se basan en imágenes histológicas de alta resolución disponibles en centros especializados ubicados en grandes ciudades, lo que limita su acceso en regiones remotas. Además, su interpretación requiere la experiencia del radiólogo y patólogo, lo que puede resultar en una alta tasa de falsos positivos. Esto conlleva a exámenes adicionales que pueden ser invasivos, incrementando el estrés de los pacientes y los costos del sistema de salud.
Para abordar esta limitación, se investigó la implementación de técnicas de procesamiento digital en imágenes histológicas de baja resolución utilizando redes neuronales para la detección del cáncer de mama. Se presenta un modelo que emplea imágenes de baja resolución (50x50 píxeles y 72 ppi) y redes neuronales convolucionales (CNN). Durante la investigación se exploraron diversas técnicas de procesamiento de imágenes basadas en color, bordes y umbrales.
Descripción
Abstract
Invasive Ductal Carcinoma (IDC) is one of the leading causes of morbidity and mortality in women, representing between 70% and 80% of breast cancer cases. Initial detection of this type of cancer is performed through mammograms. When these images suggest the presence of an anomaly, a more precise diagnosis is made through biopsies. Diagnoses are based on high-resolution histological images available in specialized centers located in large cities, limiting their access in remote regions. Additionally, their interpretation requires the expertise of radiologists and pathologists, which can result in a high rate of false positives. This leads to additional examinations that may be invasive, increasing patient stress and healthcare costs.
To address this limitation, the implementation of digital processing techniques in low-resolution histological images using neural networks was investigated for breast cancer detection. A model employing low-resolution images (50x50 pixels and 72 ppi) and convolutional neural networks (CNN) is presented. Various image processing techniques based on color, edges, and thresholds were explored during the research.
Palabras clave
Cancer de mama, Preprocesamiento, Imagen baja calidad
Keywords
Breast cancer, Preprocessing, Low quality image