Tesis "Un método basado en aprendizaje supervisado para cuantificar la probabilidad de malignidad del léxico BI-RADS en ultrasonografía de mama"
Sustentante: Francisco Alejandro González Luna.
Director: Dr. Wifrido Gómez Flores, investigador Cinvestav Tamaulipas.
Sinodales: Dr. José Juan García Hernández, CINVESTAV Unidad Tamaulipas;Dr. Hiram Galeana Zapién, CINVESTAV Unidad Tamaulipas.
Resumen:
Los sistemas de diagnóstico asistido por computadora (CAD, por sus siglas en Inglés) están destinados a proveer a los especialistas una segunda opinión sobre los hallazgos en imágenes médicas usando procesamiento de imágenes digitales y técnicas de aprendizaje para máquina. Estos sistemas pueden ser aplicados a imágenes de ultrasonido de mama (BUS, por sus siglas en Inglés) para clasificar tumores en dos clases histopatológicas, esto es, benigno y maligno. La tendencia actual en el diseño de los sistemas CAD para BUS considera léxicos cualitativos del Sistema de Datos, Reportes y Visualización de la Mama (BI-RADS, por sus siglas en Inglés), el cual es un estándar para el intercambio de información entre especialistas y para reportar los hallazgos a los pacientes. En particular, las lesiones de mama son descritas por características BI-RADS que incluyen cinco términos: forma, margen, orientación, patrón de eco y característica posterior. Estas características son representadas cuantitativamente por atributos morfológicos y de textura, que son las entradas de un clasificador para realizar clasificación histopatológica. Este procedimiento representa un método convencional seguido por los sistemas CAD para BUS. Sin embargo, el criterio considerado por el clasificador para realizar una decisión acerca de un tumor no es clara para el especialista que usa el sistema CAD. Para proveer información adicional para el especialista, un sistema CAD en dos etapas que modele cada léxico BI-RADS usando aprendizaje supervisado fue propuesto en la literatura. Dicho método aplica una regla heurística a todas las salidas de los modelos para proveer una clasificación histopatológica. En este método, los modelos del léxico BI-RADS proveen una puntuación binaria, donde '0' representa un hallazgo benigno, y '1' representa un hallazgo maligno. Posteriormente, una regla de decisión (conocida como el algoritmo de Stavros) clasifica un tumor como maligno si al menos un término es un hallazgo maligno o lo clasifica como benigno si todos los términos son hallazgos benignos. Este método obtiene una sensibilidad muy alta (clasificando casos malignos correctamente) aunque una muy baja especificad (clasificando casos benignos correctamente). Ambos sensibilidad y especificidad están en conflicto y es necesario encontrar un compromiso adecuado entre ellos. Para mejorar el compromiso entre sensibilidad y especificidad del enfoque mencionado anteriormente, en esta tesis se propone un sistema CAD en el cual los términos del léxico BI-RADS son modelados para proveer una probabilidad de malignidad para ser utilizadas por un clasificador para determinar la clase histopatológica de lesiones de mama. Los resultados experimentales revelaron que la estrategia propuesta basada completamente en aprendizaje supervisado es capaz de mejorar el compromiso entre sensibilidad y especificidad. Además, la salida del sistema CAD propuesto produce dos salidas, las probabilidades de malignidad para cada término del léxico BI-RADS y clasificación histopatológica en clases benigno y maligno. Por lo tanto, al implementar el método propuesto en un sistema CAD, este puede ser potencialmente utilizado por radiólogos, quienes pueden ser informados acerca del criterio del sistema CAD para realizar la clasificación en términos de probabilidad de malignidad del léxico BI-RADS.