Resumen

El cáncer de mama es el más frecuente entre las mujeres de todo el mundo, con cerca de medio millón de casos al año. La termografía mamaria puede ofrecer un diagnóstico precoz a bajo coste si se toman imágenes termográficas adecuadas de las mamas. La identificación del cáncer de mama de forma automatizada puede acelerar muchas tareas y aplicaciones de la patología. Esto puede ayudar a complementar el diagnóstico. El objetivo de este trabajo es desarrollar un sistema que capture automáticamente imágenes termográficas de mama y las clasifique como normales y anormales (sin cáncer y con cáncer). Este trabajo se centra en un método de segmentación basado en una combinación de la función de curvatura k y el flujo vectorial de gradiente, y para la clasificación, proponemos una red neuronal convolucional (CNN) utilizando la mama segmentada. El objetivo de este trabajo es comparar los resultados de la CNN con otras técnicas de clasificación. Así, cada pecho se caracteriza por su forma, color y textura, así como por ser izquierdo o derecho. Estos datos se utilizaron para el entrenamiento, así como para comparar el rendimiento de la CNN con tres técnicas de clasificación: bosque aleatorio en árbol (TRF), perceptrón multicapa (MLP) y red de Bayes (BN). CNN presenta mejores resultados que TRF, MLP y BN.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:CNN, mama, imágenes termográficas adecuadas, red neuronal convolucional, función de curvatura k, flujo vectorial de gradiente, otras técnicas de clasificación, BN, MLP, TRF
• Keywords:CNN, breast, adequate thermographic images, convolutional neural network, curvature function k, gradient vector flow, other classification techniques, BN, MLP, TRF