Revisión de esquemas de clasificación de tejidos cancerígenos en imágenes de mamografía

Resumen

La presente revisión de esquemas de clasificación analiza los algoritmos y métodos más utilizados dentro de la detección automática y clasificación supervisada de anomalías en imágenes de mamografías. Para ello, se propone el análisis de 36 artículos científicos en base a su metodología de clasificación, considerando además que estas publicaciones se encuentran indexadas en revistas reconocidas en los últimos cinco años. El estudio se ha dividido en cuatro etapas. La primera etapa es el preprocesamiento, que incluye las bases de datos utilizadas para entrenamiento y pruebas. Además, describimos los métodos de filtrados como la ecualización de histogramas (escala de grises) y el filtro Gabor, entre otros métodos que han brindado resultados eficientes. La etapa de los algoritmos de extracción de características presenta coincidencias en la utilización de la transformada discreta de coseno y la transformada discreta de ondícula entre otros algoritmos que se han utilizado para esta tarea. Para los algoritmos de clasificación, se resalta la utilización de las máquinas de vectores de soporte. En adición a la revisión de expresiones matemáticas desarrolladas en esta investigación, una de las contribuciones de este trabajo reside en proporcionar una lista de clasificadores híbridos, que resultan de la combinación de los clasificadores convencionales. Finalmente, se describen las métricas de evaluación como la curva receptora de características operativas y la precisión, que son indicadores cuantitativos del desempeño de los algoritmos revisados en este trabajo investigativo.

Palabras clave

Algoritmo de clasificación, Cáncer de mama, Extracción de características, Mamografía Reconocimiento de patrones

Biografía del autor/a

Eduardo Alejandro Tusa Jumbo

Ingeniero Electrónico (Magna Cum Laude) con una Subespecialización en Matemáticas de la Universidad San Francisco de Quito. Su cuarto año de formación de pregrado fue realizado en la Universidad de Illinois en Urbana - Champaign, USA. Máster en Visión, Imagen y Robótica (con distinción) de la Universidad de Borgoña (Francia), la Universidad de Girona (España) y la Universidad Heriot-Watt (Reino Unido). Actualmente, es doctorando en la especialidad de Señales, Imágenes, Voz, Telecomunicaciones en la Universidad Grenoble Alpes a través del Laboratorio de Imágenes, Voz, Señales, Automática de Grenoble (GIPSA-LAB) y el Instituto Nacional de Investigación en Ciencia y Tecnología para el Medio Ambiente y la Agricultura (IRSTEA). Es docente de la Universidad Técnica de Machala, donde ha impartido las asignaturas de Programación en MATLAB, Informática, Nuevas Tecnologías de la Información y Comunicación, Cálculo Integral, Ecuaciones Diferenciales, Matemática Avanzada, Probabilidad y Estadística.

Citas

1. Arevalo, J., González, F. A., Ramos-Pollán, R., Oliveira, J. L., & Guevara Lopez, M. A. (2015). Representation learning for mammography mass lesion classification with convolutional neural networks. Computer Methods and Programs in Biomedicine, 127, 248–257. https://doi.org/10.1016/j.cmpb.2015.12.014
2. Barrena, J. T., & Valls, D. P. (2014). Tumor Mass Detection through Gabor Filters and Supervised Pixel-Based Classification in Breast Cancer. University Rovira, Virgil.
3. Choi, J. Y., Kim, D. H., Choi, S. H., & Ro, Y. M. (2012). Multiresolution Local Binary Pattern texture analysis for false positive reduction in computerized detection of breast masses on mammograms, 8315, 83152B. https://doi.org/10.1117/12.911137
4. Díaz Sotolongo, A., Cárcel Carrasco, F. J., Martín Alfonso, J. A., & Pérez Pérez, N. (2014). Combinación de técnicas de procesamiento digital de imágenes y geometría analítica para la detección de lesiones patológicas en imágenes de mamografía. 3C Tecnología, 3(3), 180–191.
5. Eltoukhy, M. M., & Faye, I. (2013). An adaptive threshold method for mass detection in mammographic images. IEEE ICSIPA 2013 - IEEE International Conference on Signal and Image Processing Applications, 374–378. https://doi.org/10.1109/ICSIPA.2013.6708036
6. Fonseca, P., Mendoza, J., Wainer, J., Ferrer, J., Pinto, J., Guerrero, J., & Castaneda, B. (2015). Automatic breast density classification using a convolutional neural network architecture search procedure. SPIE Medical Imaging, 9414, 94–108. https://doi.org/10.1117/12.2081576
7. Görgel, P., Sertbas, A., & Ucan, O. N. (2013). Mammographical mass detection and classification using Local Seed Region Growing-Spherical Wavelet Transform (LSRG-SWT) hybrid scheme. Computers in Biology and Medicine, 43(6), 765–774. https://doi.org/10.1016/j.compbiomed.2013.03.008
8. Görgel, P., Sertbas, A., & Uçan, O. N. (2015). Computer-aided classification of breast masses in mammogram images based on spherical wavelet transform and support vector machines. Expert Systems, 32(1), 155–164. https://doi.org/10.1111/exsy.12073
9. Jankulovski, B., Kitanovski, I., Trojacanec, K., Dimitrovski, I., & Loskovska, S. (2012). Mammography image classification using texture features, (Ciit), 3–6.
10. Kamalakannan, J., Thirumal, T., Vaidhyanathan, A., & Mukeshbhai, K. D. (2015). Study on different classification technique for mammogram image. IEEE International Conference on Circuit, Power and Computing Technologies, ICCPCT 2015, (c). https://doi.org/10.1109/ICCPCT.2015.7159456
11. Kendall, E. J., Barnett, M. G., & Chytyk-Praznik, K. (2013). Automatic detection of anomalies in screening mammograms. BMC Medical Imaging, 13(1), 43. https://doi.org/10.1186/1471-2342-13-43
12. Kendall, E. J., & Flynn, M. T. (2014). Automated breast image classification using features from its discrete cosine transform. PLoS ONE, 9(3), 8–15. https://doi.org/10.1371/journal.pone.0091015
13. Khan, M. M., Mendes, A., Zhang, P., & Chalup, S. K. (2017). Evolving multi-dimensional wavelet neural networks for classification using Cartesian Genetic Programming. Neurocomputing, 247, 39–58. https://doi.org/10.1016/j.neucom.2017.03.048
14. Khan, S., Hussain, M., Aboalsamh, H., Mathkour, H., Bebis, G., & Zakariah, M. (2016). Optimized Gabor features for mass classification in mammography. Applied Soft Computing Journal, 44, 267–280. https://doi.org/10.1016/j.asoc.2016.04.012
15. Khehra, B. S., & Pharwaha, A. P. S. (2016). Classification of clustered microcalcifications using MLFFBP-ANN and SVM. Egyptian Informatics Journal, 17(1), 11–20. https://doi.org/10.1016/j.eij.2015.08.001
16. Kowal, M., Filipczuk, P., Obuchowicz, A., Korbicz, J., & Monczak, R. (2013). Computer-aided diagnosis of breast cancer based on fine needle biopsy microscopic images. Computers in Biology and Medicine, 43(10), 1563–1572. https://doi.org/10.1016/j.compbiomed.2013.08.003
17. Lévy, D., & Jain, A. (2016). Breast Mass Classification from Mammograms using Deep Convolutional Neural Networks. Retrieved from http://arxiv.org/abs/1612.00542
18. Madrigal-González, C. A., Prada-Vásquez, R., & Fernández-McCann, D. S. (2013). Detección Automática de Microcalcificaciones en una Mamografía Digital, Usando Técnicas de Inteligencia Artificial. Tecno Lógicas, 0(0), 743–756.
19. Malar, E., Kandaswamy, A., Chakravarthy, D., & Giri Dharan, A. (2012). A novel approach for detection and classification of mammographic microcalcifications using wavelet analysis and extreme learning machine. Computers in Biology and Medicine, 42(9), 898–905. https://doi.org/10.1016/j.compbiomed.2012.07.001
20. Mina, L. M., & Isa, N. A. M. (2015). Microcalcification diagnosis in digital mammograms based on wavelet analysis and neural networks. 2015 IEEE International Conference on Control System, Computing and Engineering (ICCSCE), 7–12.
21. Moya, E., Campoverde, E., Tusa, E., Ramirez-Morales, I., Rivas, W., & Mazon, B. (2017). Multi-category Classification of Mammograms by Using Convolutional Neural Networks. 2017 International Conference on Information Systems and Computer Science (INCISCOS), 133–140. https://doi.org/10.1109/INCISCOS.2017.56
22. Nariño, U. A. (2016). Técnicas de umbralización para el procesamiento digital de imágenes de GEM- Foils Thresholding techniques for digital image processing of GEM-Foils, 21(4), 352–359.
23. Padmanabhan, S., & Sundararajan, R. (2012). Texture and Statistical Analysis of Mammograms : A Novel Method to Detect Tumor in Breast Cells, 157–160.
24. Pérez, M., Benalcázar, M. E., Tusa, E., Rivas, W., & Conci, A. (2017). Mammogram classification using back-propagation neural networks and texture feature descriptors. 2017 IEEE Second Ecuador Technical Chapters Meeting (ETCM), 1–6.
25. Pérez, M. G., Benalcazar, M., Conci, A., & Fiallos, C. (2016). Detección de patologías de la mama mediante filtros multirresolución, 187–193.
26. Pérez, N., Valdés, J. A., Guevara, M. A., Rodríguez, L. A., & Molina, J. M. (2007). Set of methods for spontaneous ICH segmentation and tracking from CT head images. Iberoamerican Congress on Pattern Recognition (CIARP), 212–220.
27. Pratiwi, M., Alexander, Harefa, J., & Nanda, S. (2015). Mammograms Classification Using Gray-level Co-occurrence Matrix and Radial Basis Function Neural Network. Procedia Computer Science, 59(Iccsci), 83–91. https://doi.org/10.1016/j.procs.2015.07.340
28. Qayyum, A., Anwar, S. M., Awais, M., & Majid, M. (2017). Medical Image Retrieval using Deep Convolutional Neural Network. Neurocomputing, 0, 1–13. https://doi.org/10.1016/j.neucom.2017.05.025
29. San Martin Cuenca, H., & Tusa, E. (2015). Fundamentos de programación para ciencias e ingeniería. Machala: Universidad Técnica de Machala.
30. Setiawan, A. S., Elysia, Wesley, J., & Purnama, Y. (2015). Mammogram Classification using Law’s Texture Energy Measure and Neural Networks. Procedia Computer Science, 59(Iccsci), 92–97. https://doi.org/10.1016/j.procs.2015.07.341
31. Soriano, D., Aguilar, C., Ramirez-Morales, I., Tusa, E., Rivas, W., & Pinta, M. (2018). Mammogram Classification Schemes by Using Convolutional Neural Networks. In M. Botto-Tobar, N. Esparza-Cruz, J. León-Acurio, N. Crespo-Torres, & M. Beltrán-Mora (Eds.), Technology Trends (pp. 71–85). Cham: Springer International Publishing.
32. Subash Chandra Bose, J., Shankar Kumar, K. R., & Karnan, M. (2012). Detection of Microcalcification in Mammograms using Soft Computing Techniques. European Journal of Scientific Research, 86(1), 103–122. Retrieved from http://www.europeanjournalofscientificresearch.com
33. Talha, M. (2016). Classification of mammograms for breast cancer detection using fusion of discrete cosine transform and discrete wavelet transform features ., 27(2), 322–327.
34. Thomaz, R. L., Carneiro, P. C., & Patrocinio, A. C. (2017). Feature extraction using convolutional neural network for classifying breast density in mammographic images. SPIE Medical Imaging, 10134, 101342M. https://doi.org/10.1117/12.2254633
35. Torre, L. A., Bray, F., Siegel, R. L., Ferlay, J., Lortet-tieulent, J., & Jemal, A. (2015). Global Cancer Statistics, 2012. CA: A Cancer Journal of Clinicians., 65(2), 87–108. https://doi.org/10.3322/caac.21262.
36. Torrents-Barrena, J., Puig, D., Melendez, J., & Valls, A. (2016). Computer-aided diagnosis of breast cancer via Gabor wavelet bank and binary-class SVM in mammographic images. Journal of Experimental & Theoretical Artificial Intelligence: JETAI, 28(1-2), 295–311.
37. Tusa, E., Reynolds, A., Lane, D. M., Robertson, N. M., Villegas, H., & Bosnjak, A. (2014). Implementation of a fast coral detector using a supervised machine learning and Gabor Wavelet feature descriptors. IEEE Sensor Systems for a Changing Ocean (SSCO)., 1–6. https://doi.org/10.1109/SSCO.2014.7000371
38. Wahab, N., Khan, A., & Lee, Y. S. (2017). Two-phase deep convolutional neural network for reducing class skewness in histopathological images based breast cancer detection. Computers in Biology and Medicine, 85, 86–97. https://doi.org/10.1016/j.compbiomed.2017.04.012
39. Xie, W., Li, Y., & Ma, Y. (2016). Breast mass classification in digital mammography based on extreme learning machine. Neurocomputing, 173, 930–941. https://doi.org/10.1016/j.neucom.2015.08.048
40. Zakeri, F. S., Behnam, H., & Ahmadinejad, N. (2012). Classification of benign and malignant breast masses based on shape and texture features in sonography images. Journal of Medical Systems, 36(3), 1621–1627. https://doi.org/10.1007/s10916-010-9624-7
41. Zhang, L., Chen, Y., Zhang, F., & Zhang, L. (2012). Detection of clustered pleomorphic micro-calcifications in digital mammograms. Proceedings - 2012 International Conference on Biomedical Engineering and Biotechnology, ICBEB 2012, (3), 768–771. https://doi.org/10.1109/iCBEB.2012.130

Cómo citar

Descargar cita

• Endnote/Zotero/Mendeley (RIS)
• BibTeX

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.