Publicación: Segmentación interactiva apoyada en segmentación automática aplicada a la detección y caracterización del cáncer de mama
Cargando...
Fecha
2022-09-01
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
Atribución-NoComercial-SinDerivadas 4.0 Internacional
info:eu-repo/semantics/openAccess
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Resumen
El cáncer de mama es el tipo de cáncer más común entre las mujeres. En 2018 se diagnosticaron 32.825 nuevos casos en España (uno cada 15 minutos) y 266.120 en EEUU. Se estima que el 12,5% de las mujeres de los países de renta alta (una de cada 8) desarrollará un cáncer de mama a lo largo de su vida y más del 4% (aproximadamente una de cada 24 mujeres) morirá por esta causa. La tasa de supervivencia es del 99% cuando la enfermedad se detecta precozmente, pero desciende al 22% cuando se detecta en estado IV. La detección precoz también ahorra recursos económicos: tratar el cáncer de mama en el estado 4 es tres veces más caro que en el estado 0. Por esto, todos los países están interesados en implantar programas de cribado. En la actualidad se utilizan diferentes técnicas de imagen con este fin, cada una con sus ventajas e inconvenientes. Este proyecto tiene por objetivo utilizar técnicas de deep learning para automatizar el análisis de estas imágenes. En este trabajo se presenta un proceso de preparación de la información para el entrenamiento de modelos de segmentación interactiva de imágenes basado en la predicción previa obtenida mediante segmentación automática y un aporte extra de información sobre las regiones de la imagen donde sí existe lesión y donde no existe, obtenido de las interacciones del usuario con la propia imagen a segmentar. Los resultados experimentales sobre el conjunto de datos de masas anómalas en senos CDDDDSM muestran que nuestra propuesta mejora los resultados de la segmentación, además de ofrecer un mecanismo para automatizar la extracción de la información adicional para segmentación interactiva y analizar las implicaciones de utilizar una estrategia u otra de selección de la información adicional así como de la configuración de esta utilizada para entrenar el modelo IIS.
Descripción
Categorías UNESCO
Palabras clave
Citación
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial