Diagnóstico de cáncer de mama en mamografía utilizando el descriptor de textura BRINT y redes neuronales convolucionales

• Autor: Salazar Marroquin, Luis Alexis
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Católica San Pablo
• Repositorio: UCSP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsp.edu.pe:20.500.12590/18968
• Enlace del recurso: https://hdl.handle.net/20.500.12590/18968
• Nivel de acceso: acceso abierto
• Materia: CNN; Breast cáncer; BRINT; Full mammogram; Clasificar; http://purl.org/pe-repo/ocde/ford#1.02.01

El cáncer de mama es una de las principales causas de mortalidad entre las mujeres. La detección precoz de esta enfermedad es crucial, y el análisis mamográfico constituye una herramienta fundamental para su diagnóstico. La enfermedad afecta los tejidos humanos debido a la proliferación de células cancerígenas, que pueden propagarse a través del proceso de metástasis. La clasificación de mamografías es una tarea compleja, ya que requiere identificar la presencia de tumores (benignos o malignos) o su ausencia. En la literatura, es común agrupar las clases en categorías como normales y anormales (benignos o malignos) o clasificarlas en malignos y no malignos (normales o benignos). Incluso algunos estudios excluyen completamente la clase normal. En esta tesis, se propone una metodología que combina el descriptor de textura Binary Rotation Invariant and Noise Tolerant (BRINT) con modelos de Red Neuronal Convolucional (CNN) para clasificar mamografías completas en tres clases: benignas, malignas y normales. Aunque la metodología con BRINT muestra un desempeño promedio ligeramente inferior al de la metodología sin BRINT, (96.7 % frente a 98.8 % en accuracy y f1 score), permite utilizar un 45.4 % menos de imágenes durante el entrenamiento. Estos resultados se obtuvieron con los conjuntos de datos Mammographic Image Analysis Society (MIAS), Mini Digital Database for Screening Mammography (Mini-DDSM), INbreast y King Abdulaziz University Breast Cancer Mammogram Dataset (KAU-BCMD). Los resultados destacan que no es necesario agrupar las clases de las mamografías, lo que permite al médico ofrecer un tratamiento más preciso y personalizado al paciente. Finalmente, la metodología propuesta tiene el potencial de aplicarse en otras áreas médicas que requieran clasificación de imágenes producidas por rayos X, como en la detección de cáncer de piel o de pulmón.