Resumen

El cribado de mamografías es una tarea repetitiva que provoca fatiga y cansancio ocular, ya que de cada mil casos analizados por un radiólogo, sólo 3-4 son cancerosos, por lo que puede pasarse por alto alguna anomalía. Se han desarrollado algoritmos de detección asistida por ordenador (CAD) para ayudar a los radiólogos a detectar lesiones mamográficas. En este artículo se desarrolla un sistema de detección y diagnóstico asistido por ordenador (CADD) del cáncer de mama. El marco se basa en la combinación del análisis de componentes principales (PCA), el análisis de componentes independientes (ICA) y un clasificador difuso para identificar y etiquetar las regiones sospechosas. Se trata de un enfoque novedoso, ya que utiliza un clasificador difuso integrado en el modelo ICA. Se ha implementado y probado utilizando la base de datos MIAS. Este algoritmo permite clasificar una mamografía como normal o anormal. Además, si es anormal, lo diferencia en un tejido benigno o maligno. Los resultados muestran que este sistema tiene una precisión del 84,03 en la detección de todo tipo de anomalías y una precisión de diagnóstico del 78%.

• Materias:Simulación por computador Redes neuronales (Computadores) Sistema dinámico (Matemáticas) Inteligencia computacional
• Subjects:Computerized simulation Neural networks (Computer science) Dynamic system (Mathematics) Computational Intelligence;
• Palabras claves:clasificador difuso, análisis de componentes independientes, análisis de componentes principales, detección, sistema, modelo ICA, base de datos MIAS, cáncer de mama, precisión del diagnóstico, tensión ocular
• Keywords:fuzzy classifier, independent component analysis, principal component analysis, detection, system, ICA model, MIAS database, breast cancer, diagnosis accuracy, eye strain