Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning

La detección y clasificación precisa de artefactos en imágenes mamográficas es un elemento crítico en el diagnóstico y seguimiento de patologías mamarias. Los artefactos, tanto aquellos generados durante la captura de las mamografías como los originados por errores en el procesamiento del software o...

Full description

Autores:
Robayo Solarte, Jessica Sthefanya
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2024
Institución:
Universidad Autónoma de Occidente
Repositorio:
RED: Repositorio Educativo Digital UAO
Idioma:
spa
OAI Identifier:
oai:red.uao.edu.co:10614/15620
Acceso en línea:
https://hdl.handle.net/10614/15620
https://red.uao.edu.co/
Palabra clave:
Ingeniería Biomédica
Aprendizaje profundo
Cáncer de mama
Artefactos en imágenes mamográficas
Detección en imágenes diagnósticas
Mamografías
Inteligencia artificial
Deep learning
Breast cancer
Artifacts in mammographic images
Detection in diagnostic images
Mammography
Artificial intelligence
Rights
openAccess
License
Derechos reservados - Universidad Autónoma de Occidente, 2024
id REPOUAO2_6565433dc287b652d36a5e4cf30f98e5
oai_identifier_str oai:red.uao.edu.co:10614/15620
network_acronym_str REPOUAO2
network_name_str RED: Repositorio Educativo Digital UAO
repository_id_str
dc.title.spa.fl_str_mv Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning
title Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning
spellingShingle Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning
Ingeniería Biomédica
Aprendizaje profundo
Cáncer de mama
Artefactos en imágenes mamográficas
Detección en imágenes diagnósticas
Mamografías
Inteligencia artificial
Deep learning
Breast cancer
Artifacts in mammographic images
Detection in diagnostic images
Mammography
Artificial intelligence
title_short Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning
title_full Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning
title_fullStr Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning
title_full_unstemmed Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning
title_sort Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning
dc.creator.fl_str_mv Robayo Solarte, Jessica Sthefanya
dc.contributor.advisor.none.fl_str_mv Pulgarín Giraldo, Juan Diego
dc.contributor.author.none.fl_str_mv Robayo Solarte, Jessica Sthefanya
dc.contributor.corporatename.spa.fl_str_mv Universidad Autónoma de Occidente
dc.contributor.jury.none.fl_str_mv José Luis, Paniagua Jaramillo
dc.subject.proposal.spa.fl_str_mv Ingeniería Biomédica
Aprendizaje profundo
Cáncer de mama
Artefactos en imágenes mamográficas
Detección en imágenes diagnósticas
Mamografías
Inteligencia artificial
topic Ingeniería Biomédica
Aprendizaje profundo
Cáncer de mama
Artefactos en imágenes mamográficas
Detección en imágenes diagnósticas
Mamografías
Inteligencia artificial
Deep learning
Breast cancer
Artifacts in mammographic images
Detection in diagnostic images
Mammography
Artificial intelligence
dc.subject.proposal.eng.fl_str_mv Deep learning
Breast cancer
Artifacts in mammographic images
Detection in diagnostic images
Mammography
Artificial intelligence
description La detección y clasificación precisa de artefactos en imágenes mamográficas es un elemento crítico en el diagnóstico y seguimiento de patologías mamarias. Los artefactos, tanto aquellos generados durante la captura de las mamografías como los originados por errores en el procesamiento del software o problemas en los detectores, pueden distorsionar la interpretación de las imágenes y comprometer la precisión del diagnóstico. Sin embargo, la disponibilidad de conjuntos de datos con imágenes mamográficas que incluyan artefactos debidamente etiquetados es escasa, lo que dificulta el desarrollo y evaluación de algoritmos de detección y clasificación. En respuesta a esta necesidad, la creación de simuladores de artefactos se presenta como una herramienta invaluable para aquellos involucrados en el procesamiento de mamografías. Estos simuladores no solo permiten la generación controlada de artefactos, sino que también posibilitan la construcción de bases de datos que pueden ser utilizadas de forma gratuita por la comunidad académica, facilitando así la investigación y el desarrollo de nuevas metodologías en este campo. En esta investigación, se aborda la importancia de implementar sistemas de detección y clasificación de artefactos en mamografías, así como la necesidad de disponer de simuladores de artefactos para la generación de conjuntos de datos de libre acceso. Se analizan los desafíos y limitaciones actuales en este ámbito y se plantean posibles soluciones para mejorar la calidad y eficiencia del procesamiento de imágenes mamográficas, con el objetivo final de contribuir al avance de la investigación en el diagnóstico de patologías mamarias.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-07-10T15:49:55Z
dc.date.available.none.fl_str_mv 2024-07-10T15:49:55Z
dc.date.issued.none.fl_str_mv 2024-05-15
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.eng.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.eng.fl_str_mv Text
dc.type.driver.eng.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.eng.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.eng.fl_str_mv info:eu-repo/semantics/publishedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str publishedVersion
dc.identifier.citation.spa.fl_str_mv Robayo Solarte, J. S. (2024). Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/15620
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10614/15620
dc.identifier.instname.spa.fl_str_mv Universidad Autónoma de Occidente
dc.identifier.reponame.spa.fl_str_mv Respositorio Educativo Digital UAO
dc.identifier.repourl.none.fl_str_mv https://red.uao.edu.co/
identifier_str_mv Robayo Solarte, J. S. (2024). Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/15620
Universidad Autónoma de Occidente
Respositorio Educativo Digital UAO
url https://hdl.handle.net/10614/15620
https://red.uao.edu.co/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv [1] RadiologyInfo.org, «Mamografía,» RadiologyInfo.org, 01 05 2023. [En línea]. Disponible en: https://www.radiologyinfo.org/es/info/mammo#:~:text=La%20%20mamograf%C3%ADa%20de%20%20explotaci%C3%B3n%20es,s%C3. [Último acceso: 26 02 2024].
[2] R. Ayyala, M. Choriton, R. Behrman y P. J. Kornguth, Digital Mammographic Artifacts on Full-Field Systems: What are they and how do i fix them?, 7 ed., vol. 28, Radiographics, 2008, pp. 1999-2011.
[3] J. Torrens Martinez, G. Liaño Esteso, V. Gamero Medina y M. Galobardes, «Errores frecuentes en el diagnóstico mamográfico,» Revista de Senología y Patología Mamaria, vol. 30, nº 4, pp. 179-186, 2017.
[4] J. A. Manzano Lizcano, Sistemas De Ayuda Al Diagnóstico Y Reconocimiento De Microcalcificaciones En Mamografía Mediante Descriptores De Escala Y Redes Jerárquicas, Madrid: ETSI Telecomunicación - Universidad Politécnica de Madrid, 2016.
[5] V. Salinas, Sistema De Clasificación De Mamografías Según La Densidad Del Tejido Definida En El Sistema BI-RADS Mediante Radiómica, Cali: Universidad Autónoma de Occidente, 2022.
[6] Instituto Nacional del Cáncer, «¿Sirve La Inteligencia Artificial Para Ver El Cáncer De Formas Nuevas Y Más Eficaces?,» Instituto Nacional del Cáncer, 22 Abril 2022. [En línea]. Disponible en: https://www.cancer.gov/espanol/noticias/temas-yrelatos-blog/2022/inteligencia-artificial-imagenes-cancer. [Último acceso: 5 Diciembre 2022].
[7] Organización Panamericana de la Salud, «Cáncer de Mama,» Organización Mundial de la Salud, [En línea]. Disponible en: https://www.paho.org/es/temas/cancer-mama. [Último acceso: 5 Diciembre 2022].
[8] Centro para el Control y la Prevención de Enfermedades, «Cáncer de mama,» Centro para el Control y la Prevención de Enfermedades, 26 Septiembre 2022. [En línea]. Disponible en:
https://www.cdc.gov/spanish/cancer/breast/basic_info/screening.htm#:~:text=reúne%20los%20requisitos.-,Mamografía,al%20palpar%20o%20cause%20síntomas.. [Último acceso: 5 Diciembre 2022].
[9] K. J. García, J. D. Ocampo, M. D. Pardo, C. A. Ruiz y A. Castaño, «Calidad De Las Imágenes, La Lectura Y El Servicio De Mamografía En Cuatro Centros De Imagenología De Manizales, Colombia,» Biomédica, vol. 41, nº 1, pp. 52-64, 2021.
[10] D. A. Álvarez., M. L. Guevara y G. A. Holguín, «Preprocesamiento De Imágenes Aplicadas A Mamografías Digitales,» Scientia Et Technica, vol. 12, nº 31, pp. 1-6, 2006.
[11] J. Gonzales-Bueno Puyal, B. Rios Sanchez y M. d. C. Sanchez Avila, «Detección y Clasificación de Tejidos Anómalos en Mamografías Digitales Mediante Redes Neuronales Convolucionales,» Presentado en Congreso Anual de la Sociedad Española de Ingeniería Biomédica (CASEIB 2015), vol. 1, nº 1, pp. 14-18, 2015.
[12] Food an Drug Administration, «Mamografía: lo que necesita saber,» Food an Drug Administration, 3 Octubre 2023. [En línea]. Disponible en: https://www.fda.gov/consumers/articulos-para-el-consumidor-enespanol/mamografia-lo-que-necesita-saber. [Último acceso: 10 Enero 2024].
[13] Integralmed, «Funcionamiento de un Mamógrafo,» Integralmed, 28 Septiembre 2020. [En línea]. Disponible en: https://integralmed.com.ar/funcionamiento-de-unmamografo/. [Último acceso: 10 Enero 2024].
[14] F. Roig Petit, «Radiaciones: Aplicaciones Y Riesgos Para La Salud,» de APRJUV, Nueva York, 2013.
[15] P. Sartori, «Artefactos y artificios frecuentes en tomografía computada y resonancia magnética,» Revista Argentina de Radiología, vol. 79, nº 4, pp. 192-204, 2015.
[16] AWSAF, «CBIS-DDSM: Breast Cancer Image Dataset,» Kaggle, 2021. [En línea]. Disponible en: https://www.kaggle.com/datasets/awsaf49/cbis-ddsm-breastcancer-image-dataset/data. [Último acceso: 10 Enero 2024].
[17] Clinic Cloud, «Formato DICOM,» Doctoralia, 2023. [En línea]. Disponible en: https://clinic-cloud.com/blog/formato-dicom-que-es-estandar-imagenes-medicas/. [Último acceso: 10 Enero 2024].
[18] Aprende con Alf, «La Librería Numpy,» Aprende Con Alf, 12 Mayo 2022. [En línea]. Disponible en: https://aprendeconalf.es/docencia/python/manual/numpy/. [Último acceso: 10 Enero 2024].
[19] R. M., «What Is Matplotlib In Python? How To Use It For Plotting?,» Active State, 13 Enero 2021. [En línea]. Disponible en:
https://www.activestate.com/resources/quick-reads/what-is-matplotlib-in-pythonhow-to-use-it-for-plotting/. [Último acceso: 2024 Enero 2024].
[20] «Pandas: Herramienta Básica Para El Data Science En Python» Universidad de Alcalá, 2023. [En línea]. Disponible en: https://www.master-datascientist.com/pandas-herramienta-data-science/. [Último acceso: 10 Enero 2024].
[21] GeoPandas, «GeoPandas 0.dev+untagged,» GeoPandas, 2022. [En línea]. Disponible en: https://geopandas.org/en/stable/. [Último acceso: 10 Enero 2024].
[22] OpenCV, «About,» OpenCV, 2024. [En línea]. Disponible en: https://opencv.org/about/. [Último acceso: 25 Enero 2024].
[23] R. Sthefanya, «AMD-Artifact-Mammography-Dataset,» GitHun, 1 Febrero 2024. [En línea]. Disponible en: https://github.com/SthefanyaR/AMD-ArtifactMammography-Dataset. [Último acceso: 1 Febrero 2024].
[24] A. Acharya, «YOLO Object Detection Explained: Evolution, Algorithm, and Applications,» Encord, 4 Abril 2024. [En línea]. Disponible en: https://encord.com/blog/yolo-object-detectionguide/#:~:text=You%20Only%20Look%20Once%20. [Último acceso: 19 Abril 2024].
[25] IBM, «¿Qué es Deep Learning?,» IBM, 2024. [En línea]. Disponible en: https://www.ibm.com/es-es/topics/deep-learning#:~:text=Las%20redes%20neuronales%20de%20deep,objetos%20dentro
%20de%20los%20datos. [Último acceso: 18 marzo 2024].
[26] SAS, «Deep Learning: Qué es y por qué es importante,» SAS, 2023. [En línea]. Disponible en: https://www.sas.com/es_co/insights/analytics/deeplearning.html#:~:text=El%20deep%20learning%20es%20un,de%20imágenes%20o%20hacer%20predicciones. [Último acceso: 25 Enero 2024].
[27] R. Zambrano, «Machine Learning vs Deep Learning,» OpenWebinars, 13 Octubre 2019. [En línea]. Disponible en: https://openwebinars.net/blog/diferencias-entremachine-learning-y-deep-learning/. [Último acceso: 25 Enero 2024].
[28] R. Medina y J. Bellera, Bases del Procesamiento de Imágenes Médicas, Mérida: Universidad de los Andes.
[29] LIS Data Solutions, «Deep Learning: clasificando imágenes con redes neuronales,» LIS Data Solutions, 2023. [En línea]. Disponible en: https://www.lisdatasolutions.com/es/blog/deep-learning-clasificando-imagenescon-redes-neuronales/. [Último acceso: 25 Enero 2024].
[30] P. Scheneider y F. Xhafa, Anomaly Detection and Complex Event Processing over IoT Data Streams, Barcelona: Science Direct, 2022.
[31] L. Craig, «Convolutional Neural Network (CNN),» TechTarget, 2023. [En línea]. Disponible en: https://www.techtarget.com/searchenterpriseai/definition/convolutional-neuralnetwork. [Último acceso: 25 Enero 2024].
[32] N. Shahriar, «What is Convolutional Neural Network — CNN (Deep Learning),» Medium, 1 Febrero 2023. [En línea]. Disponible en: https://nafizshahriar.medium.com/what-is-convolutional-neural-network-cnn-deeplearning-b3921bdd82d5. [Último acceso: 25 Enero 2024].
[33] A. Yadav, «Image Processing: Convolution filters and Calculation of image gradients,» Linkedin, 17 enero 2023. [En línea]. Disponible en:
https://www.linkedin.com/pulse/image-processing-convolution-filters-calculationgradients-yadav/. [Último acceso: 19 abril 2024].
[34] A. Alsaleh y C. Perkgoz, «A space and time efficient convolutional neural network for age group estimation from facial images,» PeerJ, 19 mayo 2023. [En línea]. Disponible en: https://peerj.com/articles/cs-1395/. [Último acceso: 19 abril 2024].
[35] J. A. López Sotelo, Deep Learning Teoría y aplicaciones, Cali: Alpha Editorial, 2021.
[36] J. D. Torres Revelo, Desarrollo De Modelos De Aprendizaje Profundo Para La Detección De Indicadores De Deforestación En Colombia Usando Imágenes Satelitales E Información Pública, Cali: Universidad Autónoma de Occidente, 2023.
[37] E. A., «Detección De Objetos Con YOLO: Implementaciones Y Como Usarlas» Medium, 12 Mayo 2018. [En línea]. Disponible en:
https://medium.com/@enriqueav/detecci%C3%B3n-de-objetos-con-yoloimplementaciones-y-como-usarlas-c73ca2489246. [Último acceso: 25 Enero 2024].
[38] M. I, «The Evolution of the YOLO Neural Network Family: From v1 to v8 (Part 3 of 3),» Linkedin, 16 noviembre 2023. [En línea]. Disponible en:
https://www.linkedin.com/pulse/evolution-yolo-neural-network-family-from-v1-v8-part-3-max-ivanov-mup0e/. [Último acceso: 15 Abril 2024].
[39] Samuel, «Yolo Real-Time Object Detection,» Neural Networks, 23 Mayo 2020. [En línea]. Disponible en: https://neuralnetworks.cl/yolo-real-time-object-detection/.
[Último acceso: 25 Enero 2024].
[40] Free Learning Platform For Better Future, «What is Pytorch?,» Free Learning Platform For Better Future, 2024. [En línea]. Disponible en: https://www.javatpoint.com/pytorch-introduction. [Último acceso: 15 Abril 2024].
[41] G. Jocher, R. Munawar y L. Q, «COCO Dataset,» Ultralytics, 17 Abril 2024. [En línea]. Disponible en: https://docs.ultralytics.com/datasets/detect/coco/. [Último acceso: 19 Abril 2024].
[42] J. J. Beunza Nuin, E. Puertas Sanz, B. Rodríguez-Villa, E. Condés Moreno y J. Bonis Sanz, Manual Práctico de Inteligencia Artificial en Entornos Sanitarios, vol. 2, Barcelona: ELSEVIER, 2023.
[43] Microsoft Corporation, Resultados de los modelos de aprendizaje automático, Dynamics 365 Finance, 2023.
[44] R. Borja-Robalino, A. Monleón-Getino y J. Rodellar, «Estandarización de métricas de rendimiento para clasificadores Machine y Deep Learning,» Revista Ibérica de Sistemas e Tecnologias de Información, vol. I, nº 30, pp. 184-196, 2020.
[45] Real, R., «Tables of significant values of Jaccards index of similarity,» Miscel.lania Zooloqica, vol. I, nº 22, pp. 29-40, 1999.
[46] G. Jocher, R. Munawar y A. Vina, «Profundización en las métricas de rendimiento,» Ultralytics, 12 noviembre 2023. [En línea]. Disponible en: https://docs.ultralytics.com/es/guides/yolo-performance-metrics/. [Último acceso: 19 abril 2024]
dc.rights.spa.fl_str_mv Derechos reservados - Universidad Autónoma de Occidente, 2024
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.eng.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
rights_invalid_str_mv Derechos reservados - Universidad Autónoma de Occidente, 2024
https://creativecommons.org/licenses/by-nc-nd/4.0/
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 59 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad Autónoma de Occidente
dc.publisher.program.spa.fl_str_mv Ingeniería Biomédica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.place.spa.fl_str_mv Cali
institution Universidad Autónoma de Occidente
bitstream.url.fl_str_mv https://red.uao.edu.co/bitstreams/2405a6f7-b8c8-45c5-b811-1faea7bab867/download
https://red.uao.edu.co/bitstreams/2d0d1634-49f3-4154-b6a6-2e6ad7f01f51/download
https://red.uao.edu.co/bitstreams/9a682850-5742-4d97-a95b-80bdd3e571ba/download
https://red.uao.edu.co/bitstreams/ab9a9718-c72c-46b6-8789-f739764a5857/download
https://red.uao.edu.co/bitstreams/d25c6bcc-52c2-4a42-9515-41d622f678be/download
https://red.uao.edu.co/bitstreams/b7b6c06e-563e-4b49-b38d-f84acdb56c99/download
https://red.uao.edu.co/bitstreams/0ab22ba8-3a75-4ec6-ab5d-934aad985010/download
bitstream.checksum.fl_str_mv 563648f78a3fee75a96cbc8beb3ef324
a3bfe16d448f34f522f4ca93d78e0067
6987b791264a2b5525252450f99b10d1
19d174e9424359fd69495c073c9178ab
baff1bb28c91ee76ef8a8955ec240c66
df48571c6ea62972e9aa9622b4945ad6
9e6e2ff487b1dd907f30dd265f071131
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital Universidad Autonoma de Occidente
repository.mail.fl_str_mv repositorio@uao.edu.co
_version_ 1814259985301897216
spelling Pulgarín Giraldo, Juan Diegovirtual::5452-1Robayo Solarte, Jessica SthefanyaUniversidad Autónoma de OccidenteJosé Luis, Paniagua Jaramillo2024-07-10T15:49:55Z2024-07-10T15:49:55Z2024-05-15Robayo Solarte, J. S. (2024). Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/15620https://hdl.handle.net/10614/15620Universidad Autónoma de OccidenteRespositorio Educativo Digital UAOhttps://red.uao.edu.co/La detección y clasificación precisa de artefactos en imágenes mamográficas es un elemento crítico en el diagnóstico y seguimiento de patologías mamarias. Los artefactos, tanto aquellos generados durante la captura de las mamografías como los originados por errores en el procesamiento del software o problemas en los detectores, pueden distorsionar la interpretación de las imágenes y comprometer la precisión del diagnóstico. Sin embargo, la disponibilidad de conjuntos de datos con imágenes mamográficas que incluyan artefactos debidamente etiquetados es escasa, lo que dificulta el desarrollo y evaluación de algoritmos de detección y clasificación. En respuesta a esta necesidad, la creación de simuladores de artefactos se presenta como una herramienta invaluable para aquellos involucrados en el procesamiento de mamografías. Estos simuladores no solo permiten la generación controlada de artefactos, sino que también posibilitan la construcción de bases de datos que pueden ser utilizadas de forma gratuita por la comunidad académica, facilitando así la investigación y el desarrollo de nuevas metodologías en este campo. En esta investigación, se aborda la importancia de implementar sistemas de detección y clasificación de artefactos en mamografías, así como la necesidad de disponer de simuladores de artefactos para la generación de conjuntos de datos de libre acceso. Se analizan los desafíos y limitaciones actuales en este ámbito y se plantean posibles soluciones para mejorar la calidad y eficiencia del procesamiento de imágenes mamográficas, con el objetivo final de contribuir al avance de la investigación en el diagnóstico de patologías mamarias.The accurate detection and classification of artifacts in mammographic images is a critical element in the diagnosis and follow-up of breast pathologies. Artifacts generated during mammogram capture and caused by software processing errors or detector problems can distort image interpretation and compromise diagnostic accuracy. However, the availability of data sets with mammographic images that include properly labeled artifacts is scarce, making developing and evaluating detection and classification algorithms difficult. In response to this need, the creation of artifact simulators is presented as an invaluable tool for those involved in mammography processing. These simulators allow the controlled generation of artifacts and enable the construction of databases that can be used free of charge by the academic community, thus facilitating research and development of new methodologies in this field. This research addresses the importance of implementing artifact detection and classification systems in mammograms and the need to have artifact simulators to generate freely accessible data sets. The current challenges and limitations in this área are analyzed, and possible solutions are proposed to improve the quality and efficiency of mammographic image processing, with the ultimate goal of contributing to the advancement of research in the diagnosis of breast pathologiesProyecto de grado (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2024PregradoIngeniero(a) Biomédico(a)59 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería BiomédicaFacultad de IngenieríaCaliDerechos reservados - Universidad Autónoma de Occidente, 2024https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep LearningTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85[1] RadiologyInfo.org, «Mamografía,» RadiologyInfo.org, 01 05 2023. [En línea]. Disponible en: https://www.radiologyinfo.org/es/info/mammo#:~:text=La%20%20mamograf%C3%ADa%20de%20%20explotaci%C3%B3n%20es,s%C3. [Último acceso: 26 02 2024].[2] R. Ayyala, M. Choriton, R. Behrman y P. J. Kornguth, Digital Mammographic Artifacts on Full-Field Systems: What are they and how do i fix them?, 7 ed., vol. 28, Radiographics, 2008, pp. 1999-2011.[3] J. Torrens Martinez, G. Liaño Esteso, V. Gamero Medina y M. Galobardes, «Errores frecuentes en el diagnóstico mamográfico,» Revista de Senología y Patología Mamaria, vol. 30, nº 4, pp. 179-186, 2017.[4] J. A. Manzano Lizcano, Sistemas De Ayuda Al Diagnóstico Y Reconocimiento De Microcalcificaciones En Mamografía Mediante Descriptores De Escala Y Redes Jerárquicas, Madrid: ETSI Telecomunicación - Universidad Politécnica de Madrid, 2016.[5] V. Salinas, Sistema De Clasificación De Mamografías Según La Densidad Del Tejido Definida En El Sistema BI-RADS Mediante Radiómica, Cali: Universidad Autónoma de Occidente, 2022.[6] Instituto Nacional del Cáncer, «¿Sirve La Inteligencia Artificial Para Ver El Cáncer De Formas Nuevas Y Más Eficaces?,» Instituto Nacional del Cáncer, 22 Abril 2022. [En línea]. Disponible en: https://www.cancer.gov/espanol/noticias/temas-yrelatos-blog/2022/inteligencia-artificial-imagenes-cancer. [Último acceso: 5 Diciembre 2022].[7] Organización Panamericana de la Salud, «Cáncer de Mama,» Organización Mundial de la Salud, [En línea]. Disponible en: https://www.paho.org/es/temas/cancer-mama. [Último acceso: 5 Diciembre 2022].[8] Centro para el Control y la Prevención de Enfermedades, «Cáncer de mama,» Centro para el Control y la Prevención de Enfermedades, 26 Septiembre 2022. [En línea]. Disponible en:https://www.cdc.gov/spanish/cancer/breast/basic_info/screening.htm#:~:text=reúne%20los%20requisitos.-,Mamografía,al%20palpar%20o%20cause%20síntomas.. [Último acceso: 5 Diciembre 2022].[9] K. J. García, J. D. Ocampo, M. D. Pardo, C. A. Ruiz y A. Castaño, «Calidad De Las Imágenes, La Lectura Y El Servicio De Mamografía En Cuatro Centros De Imagenología De Manizales, Colombia,» Biomédica, vol. 41, nº 1, pp. 52-64, 2021.[10] D. A. Álvarez., M. L. Guevara y G. A. Holguín, «Preprocesamiento De Imágenes Aplicadas A Mamografías Digitales,» Scientia Et Technica, vol. 12, nº 31, pp. 1-6, 2006.[11] J. Gonzales-Bueno Puyal, B. Rios Sanchez y M. d. C. Sanchez Avila, «Detección y Clasificación de Tejidos Anómalos en Mamografías Digitales Mediante Redes Neuronales Convolucionales,» Presentado en Congreso Anual de la Sociedad Española de Ingeniería Biomédica (CASEIB 2015), vol. 1, nº 1, pp. 14-18, 2015.[12] Food an Drug Administration, «Mamografía: lo que necesita saber,» Food an Drug Administration, 3 Octubre 2023. [En línea]. Disponible en: https://www.fda.gov/consumers/articulos-para-el-consumidor-enespanol/mamografia-lo-que-necesita-saber. [Último acceso: 10 Enero 2024].[13] Integralmed, «Funcionamiento de un Mamógrafo,» Integralmed, 28 Septiembre 2020. [En línea]. Disponible en: https://integralmed.com.ar/funcionamiento-de-unmamografo/. [Último acceso: 10 Enero 2024].[14] F. Roig Petit, «Radiaciones: Aplicaciones Y Riesgos Para La Salud,» de APRJUV, Nueva York, 2013.[15] P. Sartori, «Artefactos y artificios frecuentes en tomografía computada y resonancia magnética,» Revista Argentina de Radiología, vol. 79, nº 4, pp. 192-204, 2015.[16] AWSAF, «CBIS-DDSM: Breast Cancer Image Dataset,» Kaggle, 2021. [En línea]. Disponible en: https://www.kaggle.com/datasets/awsaf49/cbis-ddsm-breastcancer-image-dataset/data. [Último acceso: 10 Enero 2024].[17] Clinic Cloud, «Formato DICOM,» Doctoralia, 2023. [En línea]. Disponible en: https://clinic-cloud.com/blog/formato-dicom-que-es-estandar-imagenes-medicas/. [Último acceso: 10 Enero 2024].[18] Aprende con Alf, «La Librería Numpy,» Aprende Con Alf, 12 Mayo 2022. [En línea]. Disponible en: https://aprendeconalf.es/docencia/python/manual/numpy/. [Último acceso: 10 Enero 2024].[19] R. M., «What Is Matplotlib In Python? How To Use It For Plotting?,» Active State, 13 Enero 2021. [En línea]. Disponible en:https://www.activestate.com/resources/quick-reads/what-is-matplotlib-in-pythonhow-to-use-it-for-plotting/. [Último acceso: 2024 Enero 2024].[20] «Pandas: Herramienta Básica Para El Data Science En Python» Universidad de Alcalá, 2023. [En línea]. Disponible en: https://www.master-datascientist.com/pandas-herramienta-data-science/. [Último acceso: 10 Enero 2024].[21] GeoPandas, «GeoPandas 0.dev+untagged,» GeoPandas, 2022. [En línea]. Disponible en: https://geopandas.org/en/stable/. [Último acceso: 10 Enero 2024].[22] OpenCV, «About,» OpenCV, 2024. [En línea]. Disponible en: https://opencv.org/about/. [Último acceso: 25 Enero 2024].[23] R. Sthefanya, «AMD-Artifact-Mammography-Dataset,» GitHun, 1 Febrero 2024. [En línea]. Disponible en: https://github.com/SthefanyaR/AMD-ArtifactMammography-Dataset. [Último acceso: 1 Febrero 2024].[24] A. Acharya, «YOLO Object Detection Explained: Evolution, Algorithm, and Applications,» Encord, 4 Abril 2024. [En línea]. Disponible en: https://encord.com/blog/yolo-object-detectionguide/#:~:text=You%20Only%20Look%20Once%20. [Último acceso: 19 Abril 2024].[25] IBM, «¿Qué es Deep Learning?,» IBM, 2024. [En línea]. Disponible en: https://www.ibm.com/es-es/topics/deep-learning#:~:text=Las%20redes%20neuronales%20de%20deep,objetos%20dentro%20de%20los%20datos. [Último acceso: 18 marzo 2024].[26] SAS, «Deep Learning: Qué es y por qué es importante,» SAS, 2023. [En línea]. Disponible en: https://www.sas.com/es_co/insights/analytics/deeplearning.html#:~:text=El%20deep%20learning%20es%20un,de%20imágenes%20o%20hacer%20predicciones. [Último acceso: 25 Enero 2024].[27] R. Zambrano, «Machine Learning vs Deep Learning,» OpenWebinars, 13 Octubre 2019. [En línea]. Disponible en: https://openwebinars.net/blog/diferencias-entremachine-learning-y-deep-learning/. [Último acceso: 25 Enero 2024].[28] R. Medina y J. Bellera, Bases del Procesamiento de Imágenes Médicas, Mérida: Universidad de los Andes.[29] LIS Data Solutions, «Deep Learning: clasificando imágenes con redes neuronales,» LIS Data Solutions, 2023. [En línea]. Disponible en: https://www.lisdatasolutions.com/es/blog/deep-learning-clasificando-imagenescon-redes-neuronales/. [Último acceso: 25 Enero 2024].[30] P. Scheneider y F. Xhafa, Anomaly Detection and Complex Event Processing over IoT Data Streams, Barcelona: Science Direct, 2022.[31] L. Craig, «Convolutional Neural Network (CNN),» TechTarget, 2023. [En línea]. Disponible en: https://www.techtarget.com/searchenterpriseai/definition/convolutional-neuralnetwork. [Último acceso: 25 Enero 2024].[32] N. Shahriar, «What is Convolutional Neural Network — CNN (Deep Learning),» Medium, 1 Febrero 2023. [En línea]. Disponible en: https://nafizshahriar.medium.com/what-is-convolutional-neural-network-cnn-deeplearning-b3921bdd82d5. [Último acceso: 25 Enero 2024].[33] A. Yadav, «Image Processing: Convolution filters and Calculation of image gradients,» Linkedin, 17 enero 2023. [En línea]. Disponible en:https://www.linkedin.com/pulse/image-processing-convolution-filters-calculationgradients-yadav/. [Último acceso: 19 abril 2024].[34] A. Alsaleh y C. Perkgoz, «A space and time efficient convolutional neural network for age group estimation from facial images,» PeerJ, 19 mayo 2023. [En línea]. Disponible en: https://peerj.com/articles/cs-1395/. [Último acceso: 19 abril 2024].[35] J. A. López Sotelo, Deep Learning Teoría y aplicaciones, Cali: Alpha Editorial, 2021.[36] J. D. Torres Revelo, Desarrollo De Modelos De Aprendizaje Profundo Para La Detección De Indicadores De Deforestación En Colombia Usando Imágenes Satelitales E Información Pública, Cali: Universidad Autónoma de Occidente, 2023.[37] E. A., «Detección De Objetos Con YOLO: Implementaciones Y Como Usarlas» Medium, 12 Mayo 2018. [En línea]. Disponible en:https://medium.com/@enriqueav/detecci%C3%B3n-de-objetos-con-yoloimplementaciones-y-como-usarlas-c73ca2489246. [Último acceso: 25 Enero 2024].[38] M. I, «The Evolution of the YOLO Neural Network Family: From v1 to v8 (Part 3 of 3),» Linkedin, 16 noviembre 2023. [En línea]. Disponible en:https://www.linkedin.com/pulse/evolution-yolo-neural-network-family-from-v1-v8-part-3-max-ivanov-mup0e/. [Último acceso: 15 Abril 2024].[39] Samuel, «Yolo Real-Time Object Detection,» Neural Networks, 23 Mayo 2020. [En línea]. Disponible en: https://neuralnetworks.cl/yolo-real-time-object-detection/.[Último acceso: 25 Enero 2024].[40] Free Learning Platform For Better Future, «What is Pytorch?,» Free Learning Platform For Better Future, 2024. [En línea]. Disponible en: https://www.javatpoint.com/pytorch-introduction. [Último acceso: 15 Abril 2024].[41] G. Jocher, R. Munawar y L. Q, «COCO Dataset,» Ultralytics, 17 Abril 2024. [En línea]. Disponible en: https://docs.ultralytics.com/datasets/detect/coco/. [Último acceso: 19 Abril 2024].[42] J. J. Beunza Nuin, E. Puertas Sanz, B. Rodríguez-Villa, E. Condés Moreno y J. Bonis Sanz, Manual Práctico de Inteligencia Artificial en Entornos Sanitarios, vol. 2, Barcelona: ELSEVIER, 2023.[43] Microsoft Corporation, Resultados de los modelos de aprendizaje automático, Dynamics 365 Finance, 2023.[44] R. Borja-Robalino, A. Monleón-Getino y J. Rodellar, «Estandarización de métricas de rendimiento para clasificadores Machine y Deep Learning,» Revista Ibérica de Sistemas e Tecnologias de Información, vol. I, nº 30, pp. 184-196, 2020.[45] Real, R., «Tables of significant values of Jaccards index of similarity,» Miscel.lania Zooloqica, vol. I, nº 22, pp. 29-40, 1999.[46] G. Jocher, R. Munawar y A. Vina, «Profundización en las métricas de rendimiento,» Ultralytics, 12 noviembre 2023. [En línea]. Disponible en: https://docs.ultralytics.com/es/guides/yolo-performance-metrics/. [Último acceso: 19 abril 2024]Ingeniería BiomédicaAprendizaje profundoCáncer de mamaArtefactos en imágenes mamográficasDetección en imágenes diagnósticasMamografíasInteligencia artificialDeep learningBreast cancerArtifacts in mammographic imagesDetection in diagnostic imagesMammographyArtificial intelligenceComunidad generalPublicationhttps://scholar.google.com.co/citations?user=Bwuc2BkAAAAJ&hl=envirtual::5452-10000-0002-6409-5104virtual::5452-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000207497virtual::5452-133e9b6b4-bd6d-4b86-b500-ae237e1e9a98virtual::5452-133e9b6b4-bd6d-4b86-b500-ae237e1e9a98virtual::5452-1ORIGINALT11066_Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning.pdfT11066_Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning.pdfArchivo texto completo del trabajo de grado, PDFapplication/pdf1652267https://red.uao.edu.co/bitstreams/2405a6f7-b8c8-45c5-b811-1faea7bab867/download563648f78a3fee75a96cbc8beb3ef324MD52TA11066_Autorización trabajo de grado.pdfTA11066_Autorización trabajo de grado.pdfAutorización para publicación del trabajo de gradoapplication/pdf508136https://red.uao.edu.co/bitstreams/2d0d1634-49f3-4154-b6a6-2e6ad7f01f51/downloada3bfe16d448f34f522f4ca93d78e0067MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81672https://red.uao.edu.co/bitstreams/9a682850-5742-4d97-a95b-80bdd3e571ba/download6987b791264a2b5525252450f99b10d1MD53TEXTT11066_Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning.pdf.txtT11066_Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning.pdf.txtExtracted texttext/plain88271https://red.uao.edu.co/bitstreams/ab9a9718-c72c-46b6-8789-f739764a5857/download19d174e9424359fd69495c073c9178abMD54TA11066_Autorización trabajo de grado.pdf.txtTA11066_Autorización trabajo de grado.pdf.txtExtracted texttext/plain5218https://red.uao.edu.co/bitstreams/d25c6bcc-52c2-4a42-9515-41d622f678be/downloadbaff1bb28c91ee76ef8a8955ec240c66MD56THUMBNAILT11066_Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning.pdf.jpgT11066_Detección de artefactos en imágenes mamográficas utilizando técnicas de Deep Learning.pdf.jpgGenerated Thumbnailimage/jpeg6886https://red.uao.edu.co/bitstreams/b7b6c06e-563e-4b49-b38d-f84acdb56c99/downloaddf48571c6ea62972e9aa9622b4945ad6MD55TA11066_Autorización trabajo de grado.pdf.jpgTA11066_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13097https://red.uao.edu.co/bitstreams/0ab22ba8-3a75-4ec6-ab5d-934aad985010/download9e6e2ff487b1dd907f30dd265f071131MD5710614/15620oai:red.uao.edu.co:10614/156202024-07-12 03:01:23.308https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2024open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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

Publicaciones similares