Examinando por Autor "Carrilero Mardones, Mikel"

Mostrando 1 - 3 de 3
  • Miniatura
    Publicación
    A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
    (Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial, 2022-09-01) Carrilero Mardones, Mikel; Nogales Moyano, Alberto; Pérez Martín, Jorge; Díez Vegas, Francisco Javier
    El cáncer de mama es el tipo de cáncer más común y la principal causa de mortalidad en la población femenina. Sin embargo, su detección temprana puede incrementar la tasa de supervivencia relativa a cinco años del 29% al 99%. La ecografía es una de las técnicas más utilizadas para el diagnóstico de cáncer de mama, pero es necesario un experto para interpretar sus resultados de forma correcta. Esto no es común en algunos países que no cuentan con un programa de cribado apropiado, suponiendo una bajada de la tasa al 20%. Los diagnósticos asistidos por ordenador (CAD) tratan de ayudar a los médicos en este proceso, mejorando los resultados y ahorrando tiempo. Los expertos en cáncer de mama emplean la clasificación BI-RADS para describir tumores, estimar su malignidad y establecer el tratamiento a seguir. Mientras la mayoría de sistemas CAD se limitan a clasificar imágenes según su malignidad, presentamos un modelo basado en dos sistemas para la detección y descripción en lenguaje BI-RADS de tumores en tiempo real. El primer sistema es un algoritmo de detección basado en YOLO que obtiene una precisión de 0.965, una exhaustividad de 0.95 y un área bajo la curva de precisión-exhaustividad de 0.97. El segundo es un sistema de descripción que recibe el tumor detectado y devuelve, en lenguaje natural, su descripción en BI-RADS y una estimación de su malignidad. Para este sistema hemos realizado tres experimentos en colaboración con una radióloga experta en mama y hemos obtenido unos valores de concordancia con sus diagnósticos que se encuentran entre los valores de intercorrelación e intracorrelación entre expertos que hemos encontrado en la literatura. Además, observamos que entrenar los modelos con los descriptores BI-RADS mejora la clasificación según malignidad y los acerca al razonamiento experto.
  • Miniatura
    Publicación
    Deep Learning for Describing Breast Ultrasound Images with BI-RADS Terms
    (Springer, 2024) Carrilero Mardones, Mikel; Parras Jurado, Manuela; Nogales, Alberto; Pérez Martín, Jorge; Díez Vegas, Francisco Javier; https://orcid.org/0000-0003-4951-8102
    Breast cancer is the most common cancer in women. Ultrasound is one of the most used techniques for diagnosis, but an expert in the field is necessary to interpret the test. Computer-aided diagnosis (CAD) systems aim to help physicians during this process. Experts use the Breast Imaging-Reporting and Data System (BI-RADS) to describe tumors according to several features (shape, margin, orientation...) and estimate their malignancy, with a common language. To aid in tumor diagnosis with BI-RADS explanations, this paper presents a deep neural network for tumor detection, description, and classification. An expert radiologist described with BI-RADS terms 749 nodules taken from public datasets. The YOLO detection algorithm is used to obtain Regions of Interest (ROIs), and then a model, based on a multi-class classification architecture, receives as input each ROI and outputs the BI-RADS descriptors, the BI-RADS classification (with 6 categories), and a Boolean classification of malignancy. Six hundred of the nodules were used for 10-fold cross-validation (CV) and 149 for testing. The accuracy of this model was compared with state-of-the-art CNNs for the same task. This model outperforms plain classifiers in the agreement with the expert (Cohen’s kappa), with a mean over the descriptors of 0.58 in CV and 0.64 in testing, while the second best model yielded kappas of 0.55 and 0.59, respectively. Adding YOLO to the model significantly enhances the performance (0.16 in CV and 0.09 in testing). More importantly, training the model with BI-RADS descriptors enables the explainability of the Boolean malignancy classification without reducing accuracy.
  • Miniatura
    Publicación
    Prediction of genomic biomarkers in breast cancer from images of routine histopathology tissue slides of solid tumors using deep learning models
    (Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática, 2025-06) Arregui Hernández, Ernesto Santiago; Pérez Martín, Jorge; Carrilero Mardones, Mikel
    The increasing demand for biomarker testing in oncology highlights the need for scalable and cost-effective alternatives to molecular profiling. This master's thesis investigates whether deep learning (DL) models can predict clinically relevant genomic biomarkers directly from routine histopathology whole-slide images, focusing on PIK3CA gene mutation in breast cancer. The study applies a radiogenomics pipeline that includes tile extraction, stain normalization, and the use of multiple DL architectures. A subset of the TCGA-BRCA dataset was used, selecting diagnostic slides labelled for PIK3CA mutation status. Tiles were extracted and normalized using the Macenko method, then fed into models including VGG-19, ResNet-18, ResNet-50, and Swin Transformer. Two configurations were explored: cross-validation (C-V) ensemble models and single-model training with C-V tuned hyperparameters. Aggregation strategies and thresholding techniques were systematically evaluated to assess their impact on model performance. Performance metrics were computed on an unseen test set composed of subcohorts from medical centers not included in the training phase. A C-V ensemble model using a ResNet-18 pretrained on ImageNet and Macenko stain normalization achieved the best AUROC (0.733), with a sensitivity of 0.817, specificity of 0.451, and an F1 score of 0.757, raising the question of whether predicting PIK3CA mutation status from histopathology alone may ultimately be feasible.