Resumen

Los métodos de análisis de textura se utilizan ampliamente para caracterizar las masas mamarias en las mamografías. La textura proporciona información sobre la disposición espacial de las intensidades en la región de interés. Esta información se ha utilizado en aplicaciones de análisis de mamografías como la detección de masas, la clasificación de masas y la estimación de la densidad mamaria. En este trabajo estudiamos el efecto de factores como la resolución de píxeles, la escala de integración, el preprocesamiento y la normalización de características sobre el rendimiento de estos métodos de textura para la clasificación de masas. El rendimiento de la clasificación se evaluó considerando clasificadores de máquina de vectores de soporte lineales y no lineales. Para encontrar la mejor combinación entre los factores estudiados, utilizamos tres enfoques: greedy, sequential forward selection (SFS) y búsqueda exhaustiva. Sobre la base de nuestro estudio, concluimos que los factores estudiados afectan al rendimiento de los métodos de textura, por lo que debe determinarse la mejor combinación de estos factores para lograr el mejor rendimiento con cada método de textura. El SFS puede ser una forma adecuada de abordar el problema de la combinación de factores porque es menos intensivo desde el punto de vista computacional que los demás métodos.

• Materias:Rayo láser Óptica Fibra óptica Biofotónica Optoelectrónica
• Subjects:Lasers Optics Optical fibres Biophotonics Optoelectronics
• Palabras claves:factores, mejor combinación, clasificación de masas, métodos de textura, clasificadores de máquina de vectores de soporte no lineal, métodos de análisis de textura, estimación de la densidad mamaria, problema de combinación de factores, aplicaciones de análisis de mamografías, selección secuencial hacia delante
• Keywords:factors, best combination, mass classification, texture methods, nonlinear support vector machine classifiers, Texture analysis methods, breast density estimation, factor combination problem, mammogram analysis applications, sequential forward selection