Modelo de Machine Learning usando un clasificador de máquinas de soporte vectorial para la detección y clasificación del cáncer de seno usando imágenes mamográficas

• Autor: Laureano Yupanqui, Cristhian Wilsson
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/17931
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/17931
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Cáncer de seno; Clasificación; SVM; https://purl.org/pe-repo/ocde/ford#2.02.04

Este proyecto de investigación de tesis abordó el tema de la detección y clasificación del cáncer de seno a través de uso de un modelo de Machine Learning (ML); debido a los incrementos de los casos de cáncer de mama en los últimos años en el Perú, es necesario contemplar la búsqueda de nuevas alternativas tecnológicas para el apoyo en las tomas de decisiones. El objetivo planteado para esta investigación fue el desarrollo de un modelo de ML que utilice un clasificador de Máquinas de Soporte Vectorial (SVM) el cual clasifique el cáncer de seno por medio del uso de imágenes mamográficas. Se planteó el uso de una metodología con un enfoque de tipo cuantitativo con el diseño de investigación de tipo exploratorio y cuasi experimental. Para el desarrollo del proyecto de investigación se utilizó los dataset MiniMIAS, DDSM, BCDR e imágenes del Hospital Regional “Manuel Núñez Butron” Puno, se consideró las etapas de preprocesamiento, extracción de características y clasificación para el entrenamiento del modelo de ML. Para el clasificador SVM se seleccionó el kernel de función de base radial (RBF) con los parámetros de C=100 y γ=2^(-9). Los resultados obtenidos a la propuesta del modelo de ML, se consiguió un 90% de exactitud (accuracy) y las métricas de precisión, sensibilidad y f1 es desarrollada por cada clase respectivamente, para benigno (88.6%, 83.8%, 86.1%), maligno (83.9%, 96.3%, 89.7%) y la clase normal (94.3%, 89.2%, 91.7%); para las pruebas del modelo entrenado a través del uso de otros dataset se obtuvieron que DDSM resulto con un 89%, BCDR obtuvo un 84% y HRMNB un 83%. Las conclusiones obtenidas para el proyecto de investigación se afirma que la propuesta del modelo de ML logró realizar la detección y clasificación del cáncer de mama de manera satisfactoria con un grado de exactitud aceptable.