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

• Ochoa González, Yuleisy Marilin ^[1] ; Rivas Asanza, Wilmer Braulio ^[1] ; Mazón Olivo, Bertha Eugenia ^[1] ; Tusa Jumbo, Eduardo Alejandro ^[1]
  1. [1] Universidad Tecnica de Machala

     Universidad Tecnica de Machala

     Machala, Ecuador

     
• Localización: Alternativas, ISSN 1390-1915, Vol. 19, Nº. 3, 2018, págs. 72-83
• Idioma: español
• DOI: 10.23878/alternativas.v19i3.185
• Enlaces
  • Texto completo (pdf)
• 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.

• Referencias bibliográficas
  • Arevalo, J., González, F. A., Ramos-Pollán, R., Oliveira, J. L., & Guevara Lopez, M. A. (2015). Representation learning for mammography...
  • Barrena, J. T., & Valls, D. P. (2014). Tumor Mass Detection through Gabor Filters and Supervised Pixel-Based Classification in Breast...
  • Choi, J. Y., Kim, D. H., Choi, S. H., & Ro, Y. M. (2012). Multiresolution Local Binary Pattern texture analysis for false positive reduction...
  • Díaz Sotolongo, A., Cárcel Carrasco, F. J., Martín Alfonso, J. A., & Pérez Pérez, N. (2014). Combinación de técnicas de procesamiento...
  • Eltoukhy, M. M., & Faye, I. (2013). An adaptive threshold method for mass detection in mammographic images. IEEE ICSIPA 2013 - IEEE International...
  • Fonseca, P., Mendoza, J., Wainer, J., Ferrer, J., Pinto, J., Guerrero, J., & Castaneda, B. (2015). Automatic breast density classification...
  • Görgel, P., Sertbas, A., & Ucan, O. N. (2013). Mammographical mass detection and classification using Local Seed Region Growing-Spherical...
  • Görgel, P., Sertbas, A., & Uçan, O. N. (2015). Computer-aided classification of breast masses in mammogram images based on spherical wavelet...
  • Jankulovski, B., Kitanovski, I., Trojacanec, K., Dimitrovski, I., & Loskovska, S. (2012). Mammography image classification using texture...
  • Kamalakannan, J., Thirumal, T., Vaidhyanathan, A., & Mukeshbhai, K. D. (2015). Study on different classification technique for mammogram...
  • Kendall, E. J., Barnett, M. G., & Chytyk-Praznik, K. (2013). Automatic detection of anomalies in screening mammograms. BMC Medical Imaging,...
  • Kendall, E. J., & Flynn, M. T. (2014). Automated breast image classification using features from its discrete cosine transform. PLoS ONE,...
  • Khan, M. M., Mendes, A., Zhang, P., & Chalup, S. K. (2017). Evolving multi-dimensional wavelet neural networks for classification using...
  • Khan, S., Hussain, M., Aboalsamh, H., Mathkour, H., Bebis, G., & Zakariah, M. (2016). Optimized Gabor features for mass classification...
  • Khehra, B. S., & Pharwaha, A. P. S. (2016). Classification of clustered microcalcifications using MLFFBP-ANN and SVM. Egyptian Informatics...
  • Kowal, M., Filipczuk, P., Obuchowicz, A., Korbicz, J., & Monczak, R. (2013). Computer-aided diagnosis of breast cancer based on fine needle...
  • Lévy, D., & Jain, A. (2016). Breast Mass Classification from Mammograms using Deep Convolutional Neural Networks. Retrieved from http://arxiv.org/abs/1612.00542
  • Madrigal-González, C. A., Prada-Vásquez, R., & Fernández-McCann, D. S. (2013). Detección Automática de Microcalcificaciones en una Mamografía...
  • Malar, E., Kandaswamy, A., Chakravarthy, D., & Giri Dharan, A. (2012). A novel approach for detection and classification of mammographic...
  • Mina, L. M., & Isa, N. A. M. (2015). Microcalcification diagnosis in digital mammograms based on wavelet analysis and neural networks....
  • Moya, E., Campoverde, E., Tusa, E., Ramirez-Morales, I., Rivas, W., & Mazon, B. (2017). Multi-category Classification of Mammograms by...
  • Nariño, U. A. (2016). Técnicas de umbralización para el procesamiento digital de imágenes de GEM- Foils Thresholding techniques for digital...
  • Padmanabhan, S., & Sundararajan, R. (2012). Texture and Statistical Analysis of Mammograms : A Novel Method to Detect Tumor in Breast...
  • Pérez, M., Benalcázar, M. E., Tusa, E., Rivas, W., & Conci, A. (2017). Mammogram classification using back-propagation neural networks...
  • Pérez, M. G., Benalcazar, M., Conci, A., & Fiallos, C. (2016). Detección de patologías de la mama mediante filtros multirresolución, 187–193.
  • Pérez, N., Valdés, J. A., Guevara, M. A., Rodríguez, L. A., & Molina, J. M. (2007). Set of methods for spontaneous ICH segmentation and...
  • Pratiwi, M., Alexander, Harefa, J., & Nanda, S. (2015). Mammograms Classification Using Gray-level Co-occurrence Matrix and Radial Basis...
  • Qayyum, A., Anwar, S. M., Awais, M., & Majid, M. (2017). Medical Image Retrieval using Deep Convolutional Neural Network. Neurocomputing,...
  • San Martin Cuenca, H., & Tusa, E. (2015). Fundamentos de programación para ciencias e ingeniería. Machala: Universidad Técnica de Machala.
  • Setiawan, A. S., Elysia, Wesley, J., & Purnama, Y. (2015). Mammogram Classification using Law’s Texture Energy Measure and Neural Networks....
  • Soriano, D., Aguilar, C., Ramirez-Morales, I., Tusa, E., Rivas, W., & Pinta, M. (2018). Mammogram Classification Schemes by Using Convolutional...
  • Subash Chandra Bose, J., Shankar Kumar, K. R., & Karnan, M. (2012). Detection of Microcalcification in Mammograms using Soft Computing...
  • Talha, M. (2016). Classification of mammograms for breast cancer detection using fusion of discrete cosine transform and discrete wavelet...
  • Thomaz, R. L., Carneiro, P. C., & Patrocinio, A. C. (2017). Feature extraction using convolutional neural network for classifying breast...
  • Torre, L. A., Bray, F., Siegel, R. L., Ferlay, J., Lortet-tieulent, J., & Jemal, A. (2015). Global Cancer Statistics, 2012. CA: A Cancer...
  • Torrents-Barrena, J., Puig, D., Melendez, J., & Valls, A. (2016). Computer-aided diagnosis of breast cancer via Gabor wavelet bank and...
  • Tusa, E., Reynolds, A., Lane, D. M., Robertson, N. M., Villegas, H., & Bosnjak, A. (2014). Implementation of a fast coral detector using...
  • Wahab, N., Khan, A., & Lee, Y. S. (2017). Two-phase deep convolutional neural network for reducing class skewness in histopathological...
  • Xie, W., Li, Y., & Ma, Y. (2016). Breast mass classification in digital mammography based on extreme learning machine. Neurocomputing,...
  • Zakeri, F. S., Behnam, H., & Ahmadinejad, N. (2012). Classification of benign and malignant breast masses based on shape and texture features...
  • Zhang, L., Chen, Y., Zhang, F., & Zhang, L. (2012). Detection of clustered pleomorphic micro-calcifications in digital mammograms. Proceedings...