Publicación:
Deep Learning y Mecanismos de Atención para la detección del cáncer de mama a través de imágenes térmicas

Cargando...
Miniatura
Fecha
2023-09
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
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
Proyectos de investigación
Unidades organizativas
Número de la revista
Resumen
De acuerdo con la Organización Mundial de la Salud (OMS), el carcinoma de mama es el tipo de cáncer más común, con más de 2,2 millones de casos en 2020. Cerca de una de cada 12 mujeres enfermarán de cáncer de mama a lo largo de su vida, siendo la principal causa de mortalidad en las mujeres. Dado el riesgo de muerte asociado a la metástasis durante las últimas fases del cáncer, la detección temprana y precisa del cáncer de mama es un desafío crucial en el campo de la medicina. La Iniciativa de la Comisión Europea para el cribado y diagnóstico del cáncer de mama recomienda el cribado mediante mamografía digital, la ultrasonografía manual y la ultrasonografía mamaria, entre otras técnicas. Sin embargo, estas metodologías tradicionales presentan limitaciones en términos de accesibilidad, costo y en algunos casos, la exposición a la radiación. Por otro lado, diferentes estudios han demostrado que el uso de imágenes térmicas puede ser una herramienta prometedora para la detección del cáncer de mama, siendo una técnica no invasiva, indolora y libre de radiación. Recientemente, gracias a los avances en las técnicas de aprendizaje automático y deep learning, la detección y el diagnóstico del cáncer de mama mediante estas técnicas son cada vez más eficaces. Asimismo, se ha demostrado que la aplicación de mecanismos de atención produce resultados prometedores en este contexto. Es por ello que en este trabajo se pretende contribuir al campo de la detección del cáncer de mama aplicando técnicas de aprendizaje profundo junto con mecanismos de atención sobre imágenes térmicas usando la base de datos DMR-IR, desarrollada por el Hospital Universitário Antônio Pedro (HUAP) de la Universidad Federal Fluminense (Brasil). El propósito de este estudio consiste en analizar cómo los mecanismos de atención impactan en el diagnóstico del cáncer de mama a partir de imágenes térmicas. Para este fin, se han desarrollado cuatro modelos diferentes. El primero de estos modelos es una Red Neuronal Convolucional (CNN) que sirve como punto de partida y se considera el modelo base. Los tres modelos restantes son variaciones de las CNNs que incorporan mecanismos de atención: Autoatención, Atención Suave y Atención Dura. Estas variantes se diseñan con la finalidad de explorar cómo la inclusión de estos mecanismos puede mejorar la capacidad de detección y clasificación del cáncer de mama en imágenes térmicas. Diferentes experimentos se han llevado a cabo en este estudio. En primer lugar, se ha empleado la validación cruzada para ajustar los parámetros de los modelos, buscando mejorar su rendimiento y prevenir el sobreajuste. Asimismo, se ha aplicado la técnica de Grad-CAM con el propósito de analizar cómo cada uno de los modelos interpreta y utiliza la información visual para realizar sus predicciones. En cuanto a la evaluación de los modelos, se consideraron métricas fundamentales como la exactitud, especificidad, precisión, exhaustividad, puntuación F1, así como el área bajo la curva ROC (AUC). Estas métricas nos proporcionan una comprensión del rendimiento de los modelos. Los resultados obtenidos en la evaluación de los modelos revelan un incremento en el rendimiento gracias a la aplicación de mecanismos de atención. El modelo base ha alcanzado una tasa de exactitud del 86.21 %. Por otro lado, las variantes de las CNNs que incorporan mecanismos de atención mostraron mejoras significativas en su rendimiento. La CNN con Auto-atención y la CNN con Atención Suave han logrado una exactitud del 91.38 %, mientras que la que implementa Atención Dura ha alcanzado un 93.10 %. Estos resultados sugieren que la implementación de mecanismos de atención en los modelos puede contribuir de manera significativa a la mejora en la precisi´on en la detección del cáncer de mama mediante imágenes térmicas.
According to the World Health Organization (WHO), breast carcinoma is the most common type of cancer, with over 2.2 million cases in 2020. Nearly one out of every 12 women will develop breast cancer during their lifetime, making it a leading cause of mortality among women. Given the risk of death associated with metastasis in the later stages of cancer, early and accurate detection of breast cancer is a critical challenge in the field of medicine. The European Commission Initiative for Breast Cancer Screening and Diagnosis recommends screening through digital mammography, manual ultrasound and automated breast ultrasound, among other techniques. However, these traditional methodologies have limitations in terms of accessibility, cost, and, in some cases, radiation exposure. On the other hand, various studies have shown that thermal imaging can be a promising tool for breast cancer detection, being a non-invasive, painless, and radiation-free technique. Recent advancements in machine learning and deep learning techniques have improved the effectiveness of breast cancer detection and diagnosis. Moreover, the application of attention mechanisms has demonstrated promising results in this context. Hence, this work aims to contribute to the field of breast cancer detection by applying deep learning techniques along with attention mechanisms to thermal images, using the DMR-IR database, developed by the Hospital Universit´ario Antˆonio Pedro (HUAP) of the Federal Fluminense University (Brazil). The objetive of this study is to analyze how attention mechanisms impact the diagnosis of breast cancer from thermal images. For this purpose, four different models have been developed. The first of these models is a Convolutional Neural Network (CNN), which serves as a starting point and is considered the base model. The remaining three models are variations of CNNs that incorporate attention mechanisms: Self-attention, Soft Attention, and Hard Attention. These variants are designed to explore how the inclusion of these mechanisms can enhance the detection and classification capabilities of breast cancer in thermal images. Various experiments have been conducted in this study. Firstly, cross-validation has been employed to fine-tune model parameters, aiming to improve performance and prevent overfitting. Additionally, the Grad-CAM technique has been applied to analyze how each model interprets and utilizes visual information to make predictions. In terms of model evaluation, fundamental metrics such as accuracy, specificity, precision, recall, F1 score, and the Area Under the ROC Curve (AUC) have been considered. These metrics provide insights into model performance. The results obtained in the model evaluation reveal an increase in performance due to the application of attention mechanisms. The base model achieved an accuracy rate of 86.21 %. On the other hand, the CNN variants incorporating attention mechanisms showed significant improvements in their performance. The CNN with Self-attention and the CNN with Soft Attention achieved an accuracy of 91.38 %, while the one implementing Hard Attention reached 93.10 %. These results suggest that the implementation of attention mechanisms in the models can significantly contribute to improving the accuracy in breast cancer detection using thermal images.
Descripción
Categorías UNESCO
Palabras clave
Aprendizaje Profundo, Red Neuronal Convolucional, Cáncer de mama, Termografía, Mecanismos de Atención, Auto-atención, Atención Suave, Atención Dura, Deep Learning, Convolutional Neural Network, Breast Cancer, Thermography, Self-Attention, Attention Mechanisms, Soft Attention, Hard Attention
Citación
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial
Grupo de investigación
Grupo de innovación
Programa de doctorado
Cátedra
DOI