Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados

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.

• Autores: Agudelo Gaviria, Harold; Sarria-Paja, Milton
• Tipo de recurso: Article of journal
• Fecha de publicación: 2021
• Institución: Corporación Universidad de la Costa
• Repositorio: REDICUC - Repositorio CUC
• Idioma: spa
• OAI Identifier: oai:repositorio.cuc.edu.co:11323/9043
• Acceso en línea: https://hdl.handle.net/11323/9043; https://doi.org/10.17981/cesta.02.02.2021.04; https://repositorio.cuc.edu.co/
• Palabra clave: Aprendizaje profundo; Cáncer de seno; Imágenes digitales; Diagnostico asistido; Deep learning; Breast cancer; Digital images; Assisted diagnosis
• Rights: openAccess
• License: © The author; licensee Universidad de la Costa - CUC.