Detección de cáncer de mama y localización del área de masa utilizando aprendizaje profundo
Autores: Rahman, Md. Mijanur; Jahangir, Md. Zihad Bin; Rahman, Anisur; Akter, Moni; Nasim, MD Abdullah Al; Gupta, Kishor Datta; George, Roy
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección de cáncer de mama y localización del área de masa utilizando aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Cáncer de mama
Mamografía
Aprendizaje profundo
Detección
Localización
Diagnóstico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 49
Citaciones: Sin citaciones
El cáncer de mama presenta un obstáculo de salud sustancial, ya que es el cáncer invasivo más extendido y la segunda causa de muerte más común en mujeres. La identificación rápida es esencial para una intervención efectiva, convirtiendo la detección de cáncer de mama en un componente crítico de la atención médica. Aunque la mamografía se emplea con frecuencia con fines de detección, el diagnóstico manual realizado por patólogos puede resultar laborioso y susceptible a errores. Lamentablemente, la mayoría de investigaciones priorizan la clasificación masiva sobre la localización masiva, lo que resulta en una distribución desigual de la atención. En respuesta a este problema, sugerimos un enfoque innovador que busca identificar y localizar cánceres en imágenes de mamografía de mama. Esto permitirá a los expertos médicos identificar tumores de manera más rápida y con mayor precisión. Este artículo presenta un diseño complejo de red neuronal convolucional profunda que incorpora técnicas avanzadas de aprendizaje profundo como U-Net y YOLO. El objetivo es permitir la detección y localización automáticas de lesiones en imágenes de mamografía de mama. Para evaluar la efectividad de nuestro modelo, llevamos a cabo una revisión exhaustiva que incluyó una variedad de criterios de rendimiento. Evaluamos específicamente la precisión, la precisión, la sensibilidad, la puntuación F1, la curva ROC y el error R-cuadrado utilizando el conjunto de datos MIAS disponible públicamente. Nuestro modelo tuvo un rendimiento excepcional, con una tasa de precisión del 93.0% y un AUC (área bajo la curva) del 98.6% para la detección. Además, para la tarea de localización, nuestro modelo logró un valor de R-cuadrado notablemente alto del 97%. Estos hallazgos resaltan que el aprendizaje profundo puede mejorar la eficiencia y precisión del diagnóstico del cáncer de mama. La automatización de la detección y clasificación de lesiones de mama ofrecida por nuestro método propuesto tiene beneficios sustanciales. Al aliviar la carga de trabajo de los patólogos, facilita procesos de detección de cáncer de mama expeditos y precisos. Como resultado, el enfoque propuesto promete mejorar los resultados de atención médica y fortalecer la efectividad general de la detección y diagnóstico del cáncer de mama.
Descripción
El cáncer de mama presenta un obstáculo de salud sustancial, ya que es el cáncer invasivo más extendido y la segunda causa de muerte más común en mujeres. La identificación rápida es esencial para una intervención efectiva, convirtiendo la detección de cáncer de mama en un componente crítico de la atención médica. Aunque la mamografía se emplea con frecuencia con fines de detección, el diagnóstico manual realizado por patólogos puede resultar laborioso y susceptible a errores. Lamentablemente, la mayoría de investigaciones priorizan la clasificación masiva sobre la localización masiva, lo que resulta en una distribución desigual de la atención. En respuesta a este problema, sugerimos un enfoque innovador que busca identificar y localizar cánceres en imágenes de mamografía de mama. Esto permitirá a los expertos médicos identificar tumores de manera más rápida y con mayor precisión. Este artículo presenta un diseño complejo de red neuronal convolucional profunda que incorpora técnicas avanzadas de aprendizaje profundo como U-Net y YOLO. El objetivo es permitir la detección y localización automáticas de lesiones en imágenes de mamografía de mama. Para evaluar la efectividad de nuestro modelo, llevamos a cabo una revisión exhaustiva que incluyó una variedad de criterios de rendimiento. Evaluamos específicamente la precisión, la precisión, la sensibilidad, la puntuación F1, la curva ROC y el error R-cuadrado utilizando el conjunto de datos MIAS disponible públicamente. Nuestro modelo tuvo un rendimiento excepcional, con una tasa de precisión del 93.0% y un AUC (área bajo la curva) del 98.6% para la detección. Además, para la tarea de localización, nuestro modelo logró un valor de R-cuadrado notablemente alto del 97%. Estos hallazgos resaltan que el aprendizaje profundo puede mejorar la eficiencia y precisión del diagnóstico del cáncer de mama. La automatización de la detección y clasificación de lesiones de mama ofrecida por nuestro método propuesto tiene beneficios sustanciales. Al aliviar la carga de trabajo de los patólogos, facilita procesos de detección de cáncer de mama expeditos y precisos. Como resultado, el enfoque propuesto promete mejorar los resultados de atención médica y fortalecer la efectividad general de la detección y diagnóstico del cáncer de mama.