20, 0.90]) respectivamente. Una selección apropiada de características se refleja en la capacidad de discriminación del clasificador, y de acuerdo con los resultados mostrados en la Tabla 2, el rendimiento resulta satisfactorio por el momento.
iii) Características del clasificador. El modelo de MVS utilizado por Ayres utiliza como kernel una función de base radial, mientras que el kernel del modelo MVS empleado por los autores es una función lineal. La diferencia entre estos modelos de función discriminante es que la función de base radial consume más carga computacional. En ambos casos los valores discriminantes se obtuvieron utilizando optimización por programación cuadrática. El rendimiento de las MVS modeladas es aceptable, ya que con una cantidad de datos de entrenamiento considerablemente menor a la empleada por Ayres, la capacidad discriminatoria del clasificador es aceptable (ver Tabla 2). Ayres y rangayyan utilizaron programas escritos en entorno de MatLab, mientras los autores utilizaron programas escritos en C++. El resultado de esto se observa en el tiempo de ejecución empleado en procesar una imagen completa de mamograma (ver Tabla 4).
- Conclusiones
En este trabajo se presentó una mejora al algoritmo propuesto por Ayres y Rangayyan, el cual se utiliza para detectar un tipo específico de lesión de mama: distorsión arquitectural. La mejora realizada al algoritmo consistió principalmente en reducir el costo computacional. La metodología propuesta por Ayres y Rangayyan realiza el procedimiento para detectar y clasificar regiones potenciales de contener la lesión de distorsión arquitectural en aproximadamente 70 minutos, mientras que, con los cambios realizado por los autores a la propuesta original, el tiempo de procesamiento se redujo a 3 minutos.
Para obtener esta reducción los autores determinaron en primera instancia, en cuál de las etapas del proceso se requería el mayor esfuerzo computacional, logrando ubicar que este esfuerzo se concentraba en la fase del tratamiento y segmentación de sitios potenciales. La solución consistió en realizar el particionamiento de la imagen original en imágenes más pequeñas, donde cada sub-imagen se debía procesar en paralelo y posteriormente integrarlas en una sola imagen.
Otra mejora consistió en escribir el código de los programas en un lenguaje transportable y eficiente tal como C++, ya que los programas utilizados por Ayres estaban escritos en un entorno de MatLab. Adicionalmente a la reducción del tiempo empleado en procesar y analizar un mamograma digitalizado, los autores emplearon un modelo de clasificación con un número menos de características a las utilizadas por Ayres y con un rendimiento satisfactorio. Sin embargo, aunque la capacidad discriminatoria del modelo creado resulta satisfactoria por el momento, es necesario realizar más pruebas con el fin de reducir el número de falsos positivos. Los autores consideran que los objetivos planteados en este trabajo se alcanzaron.
Agradecimientos.
Los autores desean expresar su agradecimiento al consejo Nacional de Ciencia y Tecnología y al Estado de Guerrero, por financiar a través del proyecto FOMIX: Detección automática de lesiones en mamogramas, clave de registro: 126361, los trabajos realizados durante el período 01/09/2010- 31/ 08/2012.
Referencias
American College of Radiology, Breast Imaging Reporting and Data System BIRADS, 3rd edn., 1998.
Amit Kamra, Sukhwinder Singh and V K Jain. A Novel Method for Detection of Architectural Distortion in Mammogram. ACEEE Int. J. on Information Technology, Vol. 02, No. 02, April 2012.
Anguiano E, Pancorbo MA, Aguilar M. Fractal characterization by frequency analysis: I. Surfaces. J Microsc. 1993;172:223–232.
Ayres and R. M. Rangayyan. Reduction of false positives in the detection of architectural distortion in mammograms by using a geometrically constrained phase portrait model. J Comput Assist Radiol Surg. 2007, pp. 361-369.
Ayres FJ, Rangayyan RM: Detection of architectural distortion in mammograms via analysis of phase portraits and curvilinear structures. In: Hozman J, Kneppo P Eds. Proceedings of EMBEC’05: 3rd European Medical & Biological EngineeringConference, volume 11. Prague, Czech Republic, November 2005, pp 1768–1773.
Ayres, and R. M. Rangayyan. Detection of architectural distortion in mammograms via analysis of phase portraits and curvilinear structures. Hozman J, Kneppo P Eds. Proceedings of EMBEC’05: 3rd European Medical & Biological Engineering Conference. 2005, Vol. 11, pp. 1768-1773.
Baker JA, Rosen EL, Lo JY, Gimenez EI, Walsh R, Soo MS. Computer-aided detection (CAD) in screening mammography: Sensitivity of commercial CAD systems for detecting architectural distortion. Am J Roentgenol. 2012;181:1083–1088.
Brandan y Villaseñor. Detección del Cáncer de Mama: Estado de la Mamografía en México. Instituto Nacional de Cancerología, Cancerología, Vol. 1, 2012.
DDSM. Digita Database for Screening Mammography, http://www.mammoimage.org/databases/
Dougherty, An Introduction to Morphological Image Processing, SPIE Press, 1992.
Haralick RM. Statistical and structural approaches to texture. Proc IEEE. 1979;67:786–804. doi: 10.1109/PROC.1979.11328.
Haralick, K. Shanmugam, and I. Dinstein. Textural features for image classification. IEEE Transactions Systems, Man, Cybernetics, SMC, 3(6):610–622, 1973.
Haralick, K. Shanmugan and I. Dinstein.