Desarrollo de un sistema para la detección y clasificación de artefactos asociados a las imágenes mamográficas

La mamografía es un método basado en el uso de equipos emisores de Rayos X y que es ampliamente implementado en la actualidad por profesionales de la salud y grupos de investigación, con el fin de realizar un diagnóstico acertado de patologías enlamama.Estos diagnósticos frecuentemente se ven afecta...

Full description

Autores:
Ariza Carrillo, Diego Andrés
Martínez Malaver, Jennifer Andrea
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/16887
Acceso en línea:
http://hdl.handle.net/20.500.12749/16887
Palabra clave:
Biomedical engineering
Engineering
Medical electronics
Biological physics
Bioengineering
Medical instruments and apparatus
Medicine
Biomedical
Mammography
Clinical engineering
Image processing
Diagnostic imaging
Technological innovations
Medical imaging system
Ingeniería biomédica
Ingeniería
Biofísica
Bioingeniería
Medicina
Biomédica
Diagnóstico por imágenes
Innovaciones tecnológicas
Sistema de imágenes en medicia
Ingeniería clínica
Electrónica médica
Instrumentos y aparatos médicos
Mamografía
Procesamiento de imágenes
Rights
License
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Description
Summary:La mamografía es un método basado en el uso de equipos emisores de Rayos X y que es ampliamente implementado en la actualidad por profesionales de la salud y grupos de investigación, con el fin de realizar un diagnóstico acertado de patologías enlamama.Estos diagnósticos frecuentemente se ven afectados debido a la presencia de artefactos en las imágenes mamográficas, ocasionando confusión, falsos positivos y/o retraso en los tratamientos de los pacientes. Por lo tanto, se desarrolló un sistema de detección y clasificación de artefactos asociados a las imágenes mamográficas haciendo uso de técnicas de procesamiento de imágenes e inteligencia artificial en el software Python y utilizando librerías como OpenCV, PysimpleGUI, Tensor Flow, entre otras. El entrenamiento del sistema se consiguió gracias a la implementación de distintas técnicas de procesamiento de imágenes, tales como binarización, ajuste decontraste, dilatación, entre otras, con imágenes mamográficas en formato DICOM, dando como resultado imágenes más sencillas de estudiar para proceder a usar un clasificador basado en redes neuronales convolucionales. Una vez finalizado los entrenamientos se ejecutan pruebas de funcionamiento con un tamaño de muestra de 45 imágenes para cada grupo de estudio, es decir, para imágenes conarte facto de Contrast Splatter, pixel blanco, líneas radio lúcidas o sin artefactos, con el propósito de determinar la eficiencia del software.  Los resultados obtenidos de las pruebas de funcionamiento permiten concluir el correcto desempeño del software a la hora de clasificar artefactos. Estos resultados posibilitan la validación del funcionamiento de la aplicación.