Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados
DOI:
https://doi.org/10.17981/cesta.02.02.2021.04Palabras clave:
Aprendizaje profundo, cáncer de seno, imágenes digitales, diagnostico asistidoResumen
El cáncer es una enfermedad que se puede originar en cualquier parte del cuerpo. Comienza cuando las células infectadas crecen de forma descontrolada sobrepasando a las células sanas. El cáncer de seno, en su mayoría carcinomas, es el tipo más común entre las mujeres de todo el mundo. Los procedimientos utilizados para la detección de la enfermedad son aproximaciones diagnósticas, algunos de estos son invasivos. Usando herramientas digitales, es posible desarrollar o implementar sistemas de diagnóstico asistido para agilizar el proceso y permitir mayor confiabilidad de los análisis. El presente estudio se realiza con imágenes digitales de histopatología a partir de la base de datos de acceso abierto. Se evalúan tres escenarios, partiendo desde un esquema clásico, luego el se incluye el uso de modelos profundos pre-entrenados y finalmente se evaluá un modelo profundo con una red neuronal convolucional. El rendimiento de cada uno de los métodos sometidos a estudio se evaluaron calculando las medidas diagnósticas de precisión, sensibilidad y especificidad, logrando así encontrar el modelo que mejor se adecua a la tarea abordada. Se observa que los modelos pre-entrenados aportan información altamente discriminante a pesar de haber sido entrenados para una tarea completamente diferente. En general los modelos profundos permiten mejorar significativamente la especificidad del sistema al comparar con el enfoque clásico.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial.
La Revista CESTA respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado. A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente.
Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.