Revista Electronica de PortalesMedicos.com - https://www.portalesmedicos.com/publicaciones
Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Segunda parte. Situacion referencial
https://www.portalesmedicos.com/publicaciones/articles/4031/1/Sistema-automatizado-de-apoyo-al-diagnostico-de-lesiones-en-imagenes-de-mamografias-Segunda-parte-Situacion-referencial.html
Autor: Dr. Juan Josť Bedolla Solano
Publicado: 10/02/2012
 


El cáncer de mama es una de las pocas localizaciones tumorales en las que se ha tenido eficacia utilizando la mastografía y reducir la mortalidad. Las oportunidades efectivas de prevención de cáncer de mama hacen que la detección precoz y la actualización terapéutica sean los instrumentos con más impacto potencial en el control del tumor.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .1

Sistema automatizado de apoyo al diagnóstico de lesiones en imágenes de mamografías (Segunda parte). Situación referencial.

Dr. Juan José Bedolla Solano
Dr. Ramón Bedolla Solano
Dr. José Antonio Montero Valverde
Dr. José Luis Rosas Acevedo
Dra. Miriam Martínez Arroyo
Dr. Ramiro Morales Hernández

Palabras clave: Mamografías, Calcificaciones, Microcalcificaciones, fibroadenomas, IRM.

El cáncer de mama es una de las pocas localizaciones tumorales en las que se ha tenido eficacia utilizando la mastografía y reducir la mortalidad. Las oportunidades efectivas de prevención de cáncer de mama hacen que la detección precoz y la actualización terapéutica sean los instrumentos con más impacto potencial en el control del tumor.

La Mamografías (1)

La mamografía también llamada mastografía, es una imagen plana de la glándula mamaria obtenida con rayos X. El mapa bidimensional de radiación atenuada por la mama incide sobre el receptor de imagen (la placa radiográfica en un mastógrafo convencional o el detector electrónico en un equipo digital) y allí se forma una imagen latente que es hecha visible por un proceso químico (equipo analógico con película) o electrónico (digital). Así un estudio mastográfico de escrutinio para detectar lesiones subclínicas en mujeres asintomáticas consiste en dos pares de imágenes: una proyección cráneo-caudal y una medio-lateral-oblicua, para cada mama. La mastografía ó mamografía es un procedimiento radiológico mediante rayos X. Si el resultado de la interpretación es incierto o sospechoso se repiten las pruebas mamográficas o se aplica el protocolo de confirmación diagnóstica con nuevas pruebas de imagen y/o biopsia del tejido mamario.

En las mastografías se utiliza la información visual, que permite conocer la estructura interna de los senos para estudiar los tejidos y buscar lesiones en base a la apariencia, consistencia, tamaño y región en donde se localiza. Sin embargo, no son fáciles de interpretar, debido a las pequeñas diferencias de densidad en la imagen, lo que provoca que el profesional encargado de analizarlas, a pesar de su experiencia, no sea capaz de detectar en ellas un porcentaje importante de tumores.

Una mamografía de escrutinio busca visualizar lesiones como los nódulos (es decir menores de 0.5 cm.), calcificaciones (nunca palpables por su reducido tamaño), asimetrías en la densidad mamaria, y/o distorsión de la arquitectura de la glándula. Los nódulos, son objetos que aparecen en ambas proyecciones con densidad media y alta, se confunden con el tejido glandular, y sus contornos son indicadores de malignidad. Las calcificaciones son acumulaciones cristalinas de calcio, de tamaños de cientos de micras, cuyo patrón de agrupación y morfología es indicador de malignidad.

La mamografía es el mejor método de diagnóstico por imágenes que se dispone en la actualidad para la detección de lesiones mamarias mínimas, fundamentalmente pequeños carcinomas que se manifiestan solamente por microcalcificaciones o tumores menores a 1 cm. de diámetro, no palpables durante el examen médico (Antonie et al, 2001).

La mastografía se ha ido difundiendo rápidamente en los países desarrollados como medida de control.

Calcificaciones (2)

Las calcificaciones en el seno son pequeños depósitos de calcio que se forman en el seno a medida que la mujer envejece. Son comunes, y pueden ser resultado de muchas cosas distintas, tales como golpes en el seno e inflamación. No se conoce la existencia de una relación entre la cantidad de calcio en la dieta de una mujer y las calcificaciones en el seno. Las calcificaciones son demasiado pequeñas para sentirlas al tacto. Pueden ser vistas en una mamografía, donde aparecen como pequeñas manchas blancas. La mayoría de las calcificaciones no representan riesgo alguno. No obstante, a veces pueden indicar la presencia de cáncer de seno, por lo que deben ser examinadas cuidadosamente. Hay dos tipos:

• Las macrocalcificaciones casi siempre están asociadas a condiciones benignas (no cancerosas). Aparecen en las placas de mamografía como manchas grandes y redondas y no requieren de exámenes de seguimiento. A menudo son causadas por el envejecimiento.

• Las microcalcificaciones son más pequeñas y más numerosas que las macrocalcificaciones. Por lo general son benignas, pero a veces se les asocia con el cáncer. El radiólogo examinará el tamaño, la forma y el patrón de distribución de las microcalcificaciones para determinar si parecen “sospechosas”. Podría ser necesario realizar más mamografías y una biopsia. Las microcalcificaciones “sospechosas” están asociadas al cáncer de seno en un 20 a 25 por ciento de los casos.

Si las calcificaciones están agrupadas de cierta manera, pueden ser un signo de cáncer. Según la cantidad, el tamaño y cómo se vean las manchitas de calcio. Las calcificaciones se diferencian entre sí de acuerdo a sus características propias, entre las que se encuentran las siguientes:

• Las calcificaciones cutáneas son en general de baja densidad y a menudo poseen un centro lúcido parecido al glóbulo rojo.
• Las calcificaciones vasculares son fácilmente reconocibles como líneas paralelas entrecortadas con un patrón tubular. En ocasiones, si sólo una pared de una arteria se encuentra calcificada, puede ser más difícil su caracterización.
• Groseras calcificaciones, con forma de "palomitas de maíz" (popcorn), se asocian a fibroadenomas en involución.
• Largas calcificaciones en vara son características de enfermedad secretora, también conocida como Mastitis a células plasmáticas, éstas surgen en patrón ductal hacia el pezón.
• Son comunes las calcificaciones de suturas en mamas operadas y luego irradiadas (es posible ver incluso los nudos).

Clásicamente se define como microcalcificación a toda aquella que mide en su diámetro máximo hasta un milímetro. Las calcificaciones redondas pueden variar en su tamaño, cuando son muy pequeñas, < 0,5 mm con márgenes bien definidos, son llamadas "puntiformes". Las calcificaciones mayores con un centro más lúcido, pueden corresponder a calcificaciones de las paredes de un quiste; si el grosor del borde es mayor pueden en general corresponder a necrosis grasa.

Es posible ver macro o microquistes lácteos en donde se manifiesta el calcio en su interior, éstos presentan una imagen más densa en el centro y se requiere para su caracterización una mamografía de perfil estricto (90 grados), en la cual esta imagen de mayor densidad podrá ser vista en la base del quiste. Las calcificaciones asociadas con patología maligna pueden aparecer solas o asociadas a distorsión del parénquima o a una masa (tumor). Las microcalcificaciones pueden estar asociadas a un carcinoma puro, con componente invasivo o predominantemente carcinoma invasor.

La mayoría de los autores clasifican el grado de sospecha de las microcalcificaciones según su morfología y forma de agruparse, siendo de mayor grado de sospecha las lineales o ramificadas y las agrupadas que las dispersas. Dentro de los estudios de imagen ideales para las calcificaciones mamarias además tenemos las siguientes:

• La ecografía ha permitido en la medicina moderna caracterizar los depósitos de calcio en imágenes casi patognomónicas, ya que la altísima densidad de estas partículas producen un signo llamado "sombra sónica", debido a la gran capacidad de reflexión del ultrasonido, impidiendo su recorrido por detrás de la calcificación. Este fenómeno también es utilizado para el diagnóstico de calcificaciones mamarias > a 5 mm, habitualmente halladas en antiguos fibroadenomas (3), En el campo de las microcalcificaciones no se ha logrado aún perfeccionar el método satisfactoriamente, ya que la alta frecuencia que requieren los transductores para lograr una imagen de gran definición (10-13 MHz) no permiten explorar la profundidad del parénquima mamario.

• Muchos autores han comenzado a utilizar la IRM (4) para evaluar mujeres con alto riesgo para presentar cáncer de mama, con parénquimas altamente fibroglandulares. El alto costo de este estudio obviamente limita su utilización a protocolos de investigación para pacientes de alto riesgo.

• Mastografía digital. Actualmente los centros de referencia en radiodiagnóstico mamario, utilizan la tecnología de sistemas computarizados para producir imágenes que no se vean afectadas por los artefactos de la mamografía convencional (ruidos, mala comprensión, alta densidad mamaria, etc.). Este sistema está compuesto por un emisor de rayos X que envía sus rayos a través de la mama ingresando a un detector digital y luego la imagen digitalizada a un procesador desde donde ésta puede ser caracterizada y mejorada, descartando algunas señales que no tengan significación (según su densidad y disposición) para visualizar otras que por sus características sean sospechosas y pasibles de procedimientos más profundos.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .2

Es posible con esta tecnología lograr una máxima captación de la intensidad de los rayos X generando un contraste más fácil de percibir por el ojo humano. Las calcificaciones mamarias y en especial las microcalcificaciones, son eficazmente detectadas y evaluadas por este método, ya que pueden ser, por sus características de alta densidad, sustraídas de la imagen, aislándola de estructuras glandulares que poseen distinta densidad óptica, a menudo imperceptible para el ojo humano.

Microcalcificaciones (5)

La mayoría de las anomalías que se presentan en la mama se pueden descubrir mediante un programa de detección precoz, y así poder tratarlas adecuadamente en una etapa previa al desarrollo de la anomalía. Su detección es difícil por el nivel de ruido existente en las imágenes, y será precisamente la identificación y clasificación de las mismas el objeto de nuestro sistema. La detección de un tumor de mama permite clasificarlos en benignos y malignos, pero resulta mucho más difícil distinguir entre una microcalcificación benigna y una maligna, lo que produce numerosas biopsias innecesarias debidas a la alta tasa de falsos positivos en los programas de prevención. Es cierto que el especialista se encuentra con dificultades a la hora de realizar un diagnóstico a partir de la mamografía y entre el 10 y el 30% de las lesiones se pasan por alto en una primera revisión.

Las microcalcificaciones son minúsculos depósitos de calcio que aparecen como pequeños puntos blancos y brillantes en la mamografía. Pueden presentarse aisladas o en grupos. Los clúster de microcalcificaciones se definen por contener dentro de un 1cm2 de la región de interés (ROI, region of interest) al menos 5 microcalcificaciones. Las microcalcificaciones agrupadas en mamografías son un signo temprano de una lesión maligna en casi la mitad de los cánceres de mama. Su tamaño varía desde los 0.1 mm hasta 5 mm de diámetro, por tanto un radiólogo deberá analizar exhaustivamente la mamografía con lupa para poder localizar las microcalcificaciones, por tanto constituyen uno de los problemas de diagnósticos más difíciles del tratamiento de cáncer de mama.

Las lesiones más frecuentes en los diagnósticos, son las microcalcificaciones, siguiendo las masas y distorsiones arquitecturales. Las microcalcificaciones son pequeñas acumulaciones de calcio entre 0.1 a 2.0 mm de ancho, y son indicadores de la presencia de cáncer de mama. Frecuentemente son usadas en el diagnóstico del carcinoma intraductal o carcinoma ductal in situ y tienen probada capacidad para detectar estados tempranos de la enfermedad. Entre el 30% y el 50% del cáncer de mama en el mundo es diagnosticado debido a la detección de microcalcificaciones (ver Figura 1) (Oporto, 2004).

Se ha descrito que el 60- 70% de los carcinomas no palpables de mama contienen microcalcificaciones.

La lesión encontrada en esta mamografía son las microcalcificaciones (marcadas con círculos).

Las características más relevantes de las microcalcificaciones son:

1) Se ven como pequeños puntos más o menos brillantes en la mamografía. Está descrito que pueden tener hasta unos 0,1 mm de diámetro, con un diámetro medio de unos 0,3 mm (Lanyi, 1988; Sickles, 1986). Los objetos inferiores a 0,1 mm se ven con dificultad en la mamografía debido a la textura del fondo tisular y el ruido cuántico.

2) Se encuentran sobre un fondo inhomogéneo que refleja la textura compleja de la mama. La densidad óptica del fondo se superpone a la de las microcalcificaciones.

3) Su contraste es típicamente bajo, especialmente cuando su tamaño es pequeño (a veces cercano al ruido del fondo tisular o del grano de la película). Su variabilidad hace que no se pueda hablar de un límite absoluto inferior para su contraste.

La clasificación de estas microcalcificaciones, según el sistema BI-RADS (6) divide a estas lesiones en 5 tipos:

• Tipo I: Microcalcificaciones anulares, redondeadas, de centro claro. (0% Malignidad).
• Tipo II: Microcalcificaciones puntiformes regulares, redondeadas. (10% Malignidad).
• Tipo III: Microcalcificaciones en polvo, muy finas, sin poder precisar su forma ni su número. (19% Malignidad).
• Tipo IV: Microcalcificaciones puntiformes irregulares, son poliédricas, como un grano de sal. (29% Malignidad).
• Tipo V: Microcalcificaciones vermiculares, son alargadas, como un árbol sin hojas. (72% Malignidad).

Además de esta clasificación, se han considerado otros factores a la hora de valorar qué tipo de microcalcificaciones son más susceptibles de corresponder a carcinomas:
• Número de microcalcificaciones por cm2: Más de 20 por cm2 es más frecuente en lesiones malignas.
• Número total de microcalcificaciones: Más de 30 microcalcificaciones en total es sospechoso de malignidad.
• Irregularidad de la densidad y del tamaño: Más común en los tumores malignos.
• Distribución lineal ó en ramas: Típico de tumor maligno.

Nódulo / masas

En inglés existe una terminología única, “breast masses” para referirse a lesiones ocupantes de espacio que pueden ser vistas en dos proyecciones. Mientras que a las lesiones densas que se observan en una sola proyección se las denomina densidad (en ocasiones densidad asimétrica) hasta que no se demuestre su naturaleza tridimensional.

En español el término “masses” debería traducirse directamente como masas. Nódulo es una lesión de pequeño tamaño, concreta y se puede individualizar de cuanto le rodea, mientras que una masa es una lesión que posee un gran volumen. Se puede considerar como límite un tamaño superior a dos centímetros (diámetro máximo del T1 en la clasificación TNM).

Tabla 4. Descriptores BI-RADS en Nódulos†

diagnostico_lesiones_mamografias/descriptores_birads_nodulos

Según el sistema BI-RADS™, la descripción mamográfica de los nódulos se realiza en función de tres descriptores: Forma (descriptor principal), Contorno y Densidad respecto al parénquima circundante (descriptores secundarios o modificadores) (ver tabla 4).

La forma de un nódulo puede describirse como redonda, oval, lobular o irregular. Los márgenes de un nódulo modifican la forma de éste y se clasifican como circunscritos, microlobulados, ocultos, mal definidos y especulados. Los márgenes circunscritos o bien definidos están delimitados por una brusca transición de la densidad respecto al tejido de alrededor. El contorno puede distinguirse con facilidad y no sugiere invasión. Los márgenes microlobulados constan de pequeñas ondulaciones que se repiten en todo el contorno del nódulo. Los márgenes ocultos (en ocasiones mal traducidos del inglés “obscured” como oscuros u oscurecidos) están fundidos con el tejido supra o subyacente, de manera que no se identifican con claridad.

Los márgenes mal definidos presentan diverso grado de transición con el tejido que los rodea, de forma que el contorno del nódulo no se distingue con facilidad, no existen densidades superpuestas y su presencia sugiere posible infiltración de la lesión. Los márgenes espiculados presentan líneas rectas que se irradian desde el nódulo.

Las masas ocurren en áreas densas de los tejidos del seno, desarrollándose desde el epitelio y tejido conectivo. En algunos casos presentan márgenes suavizados o similitudes de intensidad con respecto al tejido normal. Por lo tanto, estos signos son considerados los más difíciles de interpretar. La interpretación depende del criterio y nivel de experiencia del radiólogo, con una variabilidad inter-observador bastante alta, comparada con la detección de otro tipo de anormalidades.

La densidad de un nódulo se refiere a la atenuación de los rayos X respecto a un volumen similar de parénquima mamario. Se clasifica como alta densidad, igual densidad (isodensa), baja densidad o con centro lucente. La mayoría de los nódulos correspondientes a cáncer son de igual o más densidad que el parénquima. Los nódulos con centro lucente, contienen grasa y son siempre benignos.

Los nódulos redondos, ovales o levemente lobulados con márgenes bien definidos o relativamente bien definidos tienen una alta probabilidad de ser benignos. Esta probabilidad disminuye conforme el margen de la lesión es más indefinido o, en el caso de lesiones con márgenes lobulados, conforme aumenta el número de lobulaciones (Evans, 1995).

La gran mayoría de las lesiones con contornos lisos y forma redondeada u ovoide son quistes o fibroadenomas. La ecografía es el método más habitual de diagnóstico diferencial entre ambos.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .3

Regiones de interés

Definimos una región de interés (ROI) como una región cuadrada establecida sobre una imagen de mamografía. Cada región de interés (ROI) se identifica mediante las coordenadas de su píxel central. El tamaño de la ROI coincide con el tamaño de la ventana de características Tw. Para obtener las características de una región de interés (ROI) se utiliza una ventana de vecindad (o ventana de características), la cual se sitúa en el píxel de la ROI. A partir de la información contenida en dicha ventana de vecindad, se extraen las características de la región de interés (ROI). Cuando la ventana de características es excesivamente pequeña en relación al tamaño del tumor, la precisión del clasificador es menor. En estas condiciones, las características obtenidas representan regiones muy locales. Dado que un tumor, analizado a este nivel de detalle, presenta un aspecto bastante homogéneo, con unas características muy similares a las que pueden encontrarse a nivel local en el tejido sano, parece lógico pensar que este tipo de representación limita la capacidad discriminatoria entre un tipo de tejido y otro. Cuando la ventana de características es ligeramente menor que el tamaño del tumor, es posible recoger características del tumor que lo diferencian del tejido sano.

Detección de lesiones

La detección precoz del cáncer de mama depende de la capacidad que tenga el radiólogo de identificar lesiones sutiles y de pequeño tamaño, que sólo son visibles si la imagen es de buena calidad. Las imágenes de mamografía, presentan características muy particulares que llevan a los radiólogos a identificar las lesiones por cáncer de mama, más sin embargo el uso de técnicas radiológicas, y las diversidades de lesiones mamográficas, pueden confundir en ocasiones a los expertos en sus interpretaciones (ver figura 2).

Figura 2. Localización de las lesiones de la mama†

diagnostico_lesiones_mamografias/localizacion_lesiones_mama

La mayor parte de los errores que se producen en la detección y caracterización de lesiones en mamografía son debidas al uso de una técnica radiológica inadecuada, a la alta densidad de la mama explorada o a un error u omisión en la lectura de la mamografía. En un estudio realizado al respecto se vio que de las lesiones cancerosas no diagnosticadas aproximadamente el 43% de ellas fueron pasadas por alto, el 52% se debió a un error en la interpretación de la lesión y aproximadamente el 5% a que la técnica no era adecuada.

Los falsos negativos (cánceres no detectados) que se producen en la mamografía de ‘screening’ se deben a fallos en la percepción de lesiones que obedecen a:

1) La necesidad de ver un elevado número de imágenes.
2) La estructura compleja de la mama.
3) La naturaleza sutil de las lesiones debidas a cáncer precoz.
4) La fatiga y/o distracción del radiólogo.

El fallo en la percepción puede disminuirse con un segundo lector que revise las imágenes, esto es conocido como sistema de doble lectura.

Sistemas CAD

Los sistemas CAD analizan, utilizando algoritmos más o menos complejos, la imagen original, con el propósito de realizar una o varias de las siguientes funciones:

Detección de lesiones difíciles de ver
Extracción de características
Clasificación de lesiones
Ayuda en la toma de decisiones

La imagen radiológica en formato digital permite realizar secuencias de cálculos complejos mediante un ordenador, para complementar y mejorar el proceso diagnóstico del radiólogo. Se pueden emplear algoritmos para extraer los elementos de interés de una imagen digital, obtener sus características, analizarlas y ayudar a la decisión diagnóstica final.

En sentido literal, el diagnóstico asistido por ordenador, puede comprender desde una simple mejora de las condiciones de visualización de la imagen, hasta actuar como un “segundo observador”, ayudando al radiólogo en la toma de decisiones. En el primer caso se está hablando de utilizar el procesado de imágenes como una herramienta de ayuda al diagnóstico, mientras que en el segundo caso se emplean esquemas de trabajo complejos conocidos más propiamente como sistemas de diagnóstico asistido por ordenador o CAD (de “Computer-aided diagnosis”).El objetivo de los sistemas CAD no es reemplazar al radiólogo, sino tener en cuenta diferentes aspectos de un problema diagnóstico concreto para proporcionarle una primera opinión.

En los últimos 15 años se han venido desarrollando proyectos de diagnóstico asistido por ordenador para la detección automática de lesiones y la caracterización de patrones normales y anormales con el objetivo de mejorar la precisión y la consistencia diagnóstica de los radiólogos. Se ha demostrado recientemente que estos sistemas podrían reducir la tasa de falsos negativos de radiólogos entrenados en mamografía un 77%.

Aprendizaje automatizado

El sistema aprende a detectar automáticamente las lesiones encontradas en cada imagen de mamografía por medio de un método denominado filtro gaussiano en el que se eliminan aspectos de distorsión de la imagen y aplicando enseguida la técnica de umbralización, en el que el pico generado en el histograma por las regiones sospechosas o con anomalía, son distintas del pico por el tejido sano.

En la etapa de aprendizaje, el sistema por si sólo realizará la clasificación de las imágenes analizadas, en este sentido se propone como un trabajo futuro.

Técnicas automatizadas para la detección del cáncer de mama

El problema del diagnóstico de cáncer de mama, enmarca grandes dificultades, ya que los resultados obtenidos de las técnicas utilizadas, a la fecha han generado incertidumbre e interpretaciones inciertas. Las técnicas utilizadas que se han venido realizado con el fin de apoyar la detección del cáncer de mama, se mencionan desde la autoexploración hasta los CADs (Diagnóstico Asistido por Computadora)

Autoexploración y Examen clínico

La autoexploración mamaria, es una técnica que permite detectar lesiones por la paciente o el médico, basado en la observación y palpación que se hace en las mamas. En un alto porcentaje, son las mujeres quienes detectan los nódulos que indican una alteración mamaria, esta herramienta es de poca utilidad, ya que no detecta lesiones tempranas.

La mastografía o mamografía

La mastografía ó mamografía es un procedimiento radiológico mediante rayos X. Si el resultado de la interpretación es incierto o sospechoso se repiten las pruebas mamográficas o se aplica el protocolo de confirmación diagnóstica con nuevas pruebas de imagen y/o biopsia del tejido mamario.

En las mastografías se utiliza la información visual, que permite conocer la estructura interna de los senos para estudiar los tejidos y buscar lesiones en base a la apariencia, consistencia, tamaño y región en donde se localiza. Sin embargo, no son fáciles de interpretar, debido a las pequeñas diferencias de densidad en la imagen, lo que provoca que el profesional encargado de analizarlas, a pesar de su experiencia, no sea capaz de detectar en ellas un porcentaje importante de tumores.

La ecografía

La ecografía, es una técnica secundaria de detección de cáncer de mama. En este procedimiento se emplean ultrasonidos que son convertidos en imágenes, las cuales son interpretadas posteriormente por otros expertos.

Resonancia magnética nuclear (RMN)

La resonancia magnética nuclear, es la técnica que emplea los campos magnéticos y los espectros emitidos por el fósforo en los tejidos corporales y los convierte en imagen. Posteriormente se puede observar la vascularización del tumor.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .4

Tomografía

Según la técnica utilizada, existen dos tipos de tomografías: a) axial computarizada (TAC) y b) por emisión de positrones (PET).

a) Axial computarizada (TAC). Consiste en una técnica de rayos X, utiliza un haz giratorio, con la que se visualizan distintas áreas del cuerpo desde diferentes ángulos. Sirve para el diagnóstico de las metástasis, no del cáncer de mama propiamente dicho.

b) Por emisión de positrones (PET). Consiste en inyectar un radio fármaco combinado con glucosa, que será captado por las células cancerosas, de existir un cáncer, pues éstas consumen más glucosa. El radio fármaco hará que se localicen las zonas donde se encuentre el tumor.

Termografía

La termografía, es la técnica que registra las diferencias de temperatura, no se suele utilizar con mucha frecuencia.

Biopsia

Una vez detectado el tumor mediante una o varias de las técnicas mencionadas, se debe realizar una biopsia para confirmar el diagnóstico. Existen varios tipos de biopsias según la técnica que se emplea.

Antecedentes

La principal causa de mortalidad a nivel mundial, es por el cáncer, se le atribuyen 7.9 millones de defunciones ocurridas en 2007. La Organización Mundial de la Salud (OMS), estima que alrededor de 84 millones de personas morirán a causa de esta enfermedad entre 2005 y 2015.

En 2006, de cada 100 egresos hospitalarios de mujeres, 20 fueron por cáncer de mama, 13 por cáncer en el cuello del útero y 12 por leucemia. El cáncer en 2007 representó la tercera causa de muertes entre las mujeres con 35303 defunciones (15.4%), mientras que en los hombres fue la cuarta con 33509 muertes (11.8%).

Durante 2007, los tres principales tipos de cáncer que causaron defunciones en las mujeres fueron el de mama (13.8%), cuello del útero (12.1%) e hígado (7.6%). En los hombres, el cáncer de próstata (15.7%), tráquea, bronquios y pulmón (14%) y estómago (9%).

De acuerdo con las últimas estimaciones estadísticas de 2002, se registraron aproximadamente 411,000 muertes por cáncer de mama en el mundo, lo que corresponde a una tasa de mortalidad ASR de 13.2% por 100,000 mujeres. En los países más y menos desarrollados del planeta, las tasas de mortalidad por cáncer de mama son 18.1% y 10.3%, respectivamente (Cancer Mondial, Internacional, 2002), (Ver Tabla 1).

Tabla 1. Estimaciones GLOBOCAN (Cáncer Mondial, Internacional, 2002) de morbilidad y mortalidad por cáncer de mama para el año 2002. La tasa ASR es por 100,000 mujeres.†

diagnostico_lesiones_mamografias/tabla1_mortalidad_globocan

Tabla 1.1. Comparativo de cáncer de mama en el mundo†

diagnostico_lesiones_mamografias/comparativo_cancer_mama_mundo

Según datos proporcionados por INEGI, la mortalidad por cáncer mamario en México, mantiene una tendencia ascendente con algunas variaciones en los últimos registros. En 2002 se notificaron 3,822 muertes por esta causa, lo que corresponde a una tasa de mortalidad de 15.18 defunciones por 100 mil mujeres de 25 años y más. Esta tasa representa la cifra más alta jamás alcanzada por el país en el año 2002 y significa que diariamente mueren un poco más de 10 mexicanas por cáncer mamario.

La tasa de mortalidad apenas se elevó en estos últimos 10 años, de 14.35 en 1993 a 15.18 en 2002. Esta pequeña variación sin embargo representa 1,139 muertes más en el año 2002, comparado con el número de fallecimientos que se registraron en 1993 (ver figura 6).

Figura 6. Mortalidad†por cáncer de mama de 1993-2002†

diagnostico_lesiones_mamografias/mortalidad_cancermama

Las estadísticas del INEGI (2002), muestran que la fluctuación de 1993 al 2002 va en ascenso.

Según datos preliminares del registro histopatológico, el número de nuevos casos de cáncer de mama que se presentaron en el año 2002 fue de 11,242, una cantidad excepcional si se compara con años anteriores en los que la cifra de 10 mil nuevos casos anuales, no se sobrepasaba; ello significó que en las instituciones del Sistema Nacional de Salud en el país, se hayan diagnosticado en ese año más de 50 casos de cáncer mamario, en cada día laborable, y lo más dramático fue el que la gran mayoría de estos casos por la enfermedad de cáncer, se diagnosticaron en etapas avanzadas.

Figura 7. Defunciones (2) por cáncer de mama 1993-2002†

diagnostico_lesiones_mamografias/defunciones_cancer_mama

Situación del desarrollo del Estado de Guerrero

El Banco Mundial (2003) (Estrategia de desarrollo de los Estados del Sur de México). Los estados del Sur Chiapas, Guerrero y Oaxaca son los más pobres de México. El índice de marginalidad del Gobierno mexicano y el índice de desarrollo humano de las Naciones Unidas les asignan las tres calificaciones más bajas en materias de indicadores sociales y niveles de vida. Por otra parte los datos sobre ingreso en 2000 confirman la concentración de la pobreza en el Sur, donde vive el 25% de los pobres extremos de la nación, dentro de una población que representa solo el 10% de la población total del país.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .5

Factor socioeconómico y región cultural

De acuerdo a las estadísticas de mortalidad en México para el año 2002, las tasas de mortalidad por cáncer de mama son más elevadas en los estados del Norte (Coahuila, Chihuahua, Nuevo León, Sonora, Tamaulipas), así como en el Distrito Federal y Jalisco.

Sobre la base de que el cáncer de mama se ha asociado a un nivel socioeconómico elevado, consumo abundante de grasa de origen animal y bajos hábitos de lactancia, es posible suponer que la distribución de esta neoplasia en México puede variar. Esto podría deberse a que el desarrollo económico y cultural de cada región es diferente. Como ejemplo, se tiene que en los estados del norte, la población tiene ingresos económicos más elevados, existen altos consumos de grasa de tipo animal en la dieta y alta prevalencia de sobrepeso y obesidad.

Tabla 6.1. Comparativo de cáncer de mama en Guerrero

En el año 2008, el estado de Guerrero, ubicó al cáncer de mama en la primera posición como el tipo de cáncer con más decesos en mujeres. Y a partir de 2009 al 2011 se ha ubicado en la segunda posición con 95 a 100 defunciones. Publicación

(http://angro.com.mx/municipios/2010/10/al-ano-mueren-en-guerrero-entre-95-y-100-personas-por-cancer-de-mama/; 2011) (ver Tabla 6.1 y 6.2).

diagnostico_lesiones_mamografias/cancer_mama_guerrero

Referencias:

http://www.novedadesacapulco.mx/acapulco/guerrero-es-primer-lugar-en-casos-de-cancer-cervico-uterino
http://www.eluniversal.mx/notas/787355.html
http://www.novedadesacapulco.mx/guerrero/detectan-mas-de-200-mil-casos-de-cancer-en-guerrero
http://guerrero.gob.mx/2011/05/durante-el-2010-en-guerrero-83-mujeres-por-cancer-de-mama/
http://guerrero.gob.mx/articulos/prevencion-y-control-de-cancer-de-mama-2011/
http://www.jornada.unam.mx/2007/12/04/index.php?section=sociedad&article=047n1soc
http://www.novedadesacapulco.mx/acapulco/van-70-nuevos-casos-de-cancer-de-mama
http://angro.com.mx/municipios/2010/10/al-ano-mueren-en-guerrero-entre-95-y-100-personas-por-cancer-de-mama/

Factores de riesgo

La mujer en comparación con el hombre presenta mayor riesgo de sufrir cáncer de mama, en aproximadamente 100 a 1. La incidencia se incrementa con la edad, duplicándose aproximadamente cada 10 años hasta la menopausia, etapa en que el ritmo de crecimiento disminuye. El cáncer de mama en las mujeres mexicanas se presenta antes de los 50 años (46%) y el grupo más afectado es el de 40-49 años de edad (Rodríguez-Cuevas S, 2001).

La nuliparidad y los embarazos en edad avanzada aumentan el riesgo de desarrollar cáncer de mama. Existen diversas publicaciones, incluyendo un estudio en México, en que la paridad y lactancia se refieren como factores protectores contra cáncer de mama. Con relación a la ingesta de hormonas, el uso de anticonceptivos, el tiempo de uso, edad a la que se inició la ingesta, dosis y tipo de hormonas empleadas son considerados como otros factores de riesgo (Calderón, 2000 y López, 1997), (ver tabla 2).

Tabla 2. Factores de riesgo para cáncer de mama en mujeres (McPherson, 2000).†

diagnostico_lesiones_mamografias/factoresriesgo_cancer_mama

Morbilidad y mortalidad en México

Las estadísticas de mortalidad del INEGI, indican que en 2004 ocurrieron unos 473 mil fallecimientos en México, 14% de los cuales se debieron a alguna forma de cáncer. El cáncer cérvico uterino ocupó el primer lugar entre las causas de muerte por cáncer en mujeres mexicanas, 13.5%, seguido por el cáncer de mama, que es causa del 13.3% de los fallecimientos de mujeres por cáncer. Las cifras brutas de defunciones por cáncer al cuello del útero muestran desde el año 2000 una tendencia decreciente consistente, mientras que las de cáncer de mama aumentan cada año, por lo que, de acuerdo a las estimaciones de la OMS, y estadísticas del INEGI, el cáncer de mama, se perfila como la principal causa de muerte por cáncer en mujeres mexicanas.

En otros países, la enfermedad del cáncer se está logrando controlarla. En México, por el contrario, el número de casos sigue hacia arriba. La curva de cáncer de mama es imparable; en el 2006 se convirtió en causa número uno de mortalidad por tumores malignos en mujeres, y la segunda causa de muerte entre mujeres de 30 a 54 años. La cifra no es menor: 4,500 muertes cada año; 13 muertes al día; una cada dos horas.

El cáncer de mama puede ser curable si se detecta en etapa temprana. Si el punto es detectarlo tempranamente, dijo la Secretaría de Salud hace años, la clave es la mastografía, y se puso a adquirir centenas de equipos para hacer el análisis radiológico de la mama. Hoy los principales hospitales públicos del país cuentan con mastógrafo. Se hacen millones de mastografías al año. ¿Qué pasa entonces? ¿Por qué no paran y siguen aumentando las muertes de mujeres por este mal? La razón: no hay suficientes radiólogos que interpreten las mastografías.

El déficit de radiólogos en México viene desde hace años. Se llegó al grado de que en los hospitales había alterones de resultados de mastografías sin interpretar. No tuvo ningún caso la inversión en mastógrafos sino se sabe qué dicen las imágenes.

Las estimaciones estadísticas realizadas por la Organización Mundial de la Salud, informaron que el número de casos por cáncer de mama se ha incrementado en todo el mundo. En el año 2007 se registraron alrededor de 548 000 muertes, 72% de éstas en países de bajos y medianos ingresos. En los países desarrollados, particularmente Europa Occidental y Norteamérica, la mortalidad por cáncer de mama refleja un efecto reductor.

En el comparativo mundial, México en el 2007 se ubicaba en el lugar 101 de incidencia y 135 de mortalidad entre 172 países (Agencia Internacional de Investigación en Cáncer – IARC, 2007).

En México, el cáncer de mama había ocupado históricamente el segundo lugar de mortalidad, siempre precedido por el cáncer cérvico-uterino hasta el año 2006, cuando lo desplazó para ocupar el primer lugar como causa de muerte. En datos preliminares sobre defunciones del año 2007 se notificaron 4597 muertes con una tasa de 16.5 por cada 100 000 mujeres de 25 y más años, tres veces más que la cifra registrada en 1955, con una edad promedio de morir de 59 años.

Tabla 3. Riesgo de morir por cáncer de mama de acuerdo con la edad en México, (INEGI, 2007).†

diagnostico_lesiones_mamografias/riesgo_morir_edad


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .6

En 2008, la incidencia de cáncer de mama en México fue de 7.57 casos por cada 100 mil habitantes, afectando principalmente a las mujeres, quienes presentan una incidencia de 14.63 frente a la de 0.27 de los varones, teniendo como resultado 4 mil 800 defunciones y ubicando al país en el primer lugar del rating en el comparativo con los demás tipos de cáncer (35).

En 2009, el incremento de incidencias por cáncer mama sigue en aumento, ya que de acuerdo a la información registrada por la Secretaría de Salud, el número de casos fue de 13 mil 600 y 4854 defunciones en mujeres de 25 años y más. En México se registran alrededor de 13 muertes diarias por cáncer de mama, es decir aproximadamente cada 2 horas muere una mexicana por esta causa (31).

Tabla 3.1. Comparativo de cáncer de mama en México

diagnostico_lesiones_mamografias/comparativo_cancer_mama_mexico

En 2010 y 2011, la Secretaría de Salud del gobierno federal, informó a través de noticieros televisa que las cifras de incidencia por la enfermedad del cáncer continúan en incremento, informando que actualmente se registraron 1.6 millones de casos y 5 mil 113 defunciones, que equivale a 10.8 % por cada 100 mil mujeres de 25 años o más, ubicando a esta enfermedad como la primera de mayor incidencia y de mortalidad (32).

Tabla 3.2. Comparativo de cáncer de mama en México

diagnostico_lesiones_mamografias/32_comparativo_cancer_mama_mexico

En este sentido, resulta importante conocer la magnitud de este padecimiento entre la población femenina; por ejemplo, la mayor incidencia se presenta en el Distrito Federal (45.84), seguida por Sinaloa (45.76) y San Luis Potosí (45.20), en contraparte, la incidencia más baja se observa en el estado de México (4.62), Chiapas (4.24) y Tlaxcala (2.96). El estado de Guerrero se ubica en el lugar 27 con 6.52 casos por cada 100 mil mujeres (ver gráfica 1).

Gráfica 1. Incidencia de tumor maligno de mama en la población femenina por entidad federativa en 2008.

diagnostico_lesiones_mamografias/incidencia_federativa

Es importante mencionar que en México, el cáncer de mama es detectado principalmente por la propia mujer en etapas avanzadas; por ello, la promoción de la autoexploración y del examen clínico de senos adquiere una gran relevancia en la prevención y el control en países como el nuestro (33).

3.3. Marco teórico

La salud no sólo es importante para el bienestar de individuos, familias y comunidades, sino que constituye también un poderoso instrumento para alcanzar el desarrollo social y económico. El creciente reconocimiento por parte de los líderes políticos nacionales e internacionales y los responsables de la toma de decisiones de las dimensiones sociales del desarrollo tecnológico obedece, en gran medida, a la sobrecogedora importancia de las amenazas para la salud que se ciernen sobre nuestras sociedades. Se trata también del reconocimiento del asombroso coste económico que acarrean los problemas de salud y de los enormes beneficios sociales y económicos potenciales de invertir en salud.

Es imposible concebir la construcción de un futuro para la humanidad sin preocuparse de la salud pública. A pesar de esta aseveración fácilmente aceptada tanto por los gobiernos como por los movimientos sociales, es difícil ver un avance significativo en la materia. Muchos investigadores hablan de una "crisis" mundial en salud pública, reflejado por el avance incontrolable del cáncer.

En la medicina actual, hacer diagnósticos utilizando imágenes, es invaluable. El procesamiento de imágenes de resonancia magnética, tomografía computarizada, mamografía digital y otras modalidades, proveen un medio no invasivo y efectivo de delinear la anatomía de un sujeto. Estas tecnologías han incrementado enormemente el conocimiento de anatomías y patologías para la investigación médica, y son un componente crítico en la planificación de diagnósticos y tratamientos.

El avance tecnológico, el incremento poblacional y el incontrolable aumento de la enfermedad del cáncer; el número de imágenes médicas también se han incrementado, por lo qué, se ha hecho necesario e indispensable el uso del computador para facilitar el procesamiento y análisis de las mismas.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .7

Diagnóstico Asistido por Computadora (CAD´s)

El Análisis mediante Componentes Principales (PCA), es una técnica estadística que permite reducir la dimensionalidad del espacio de características, sin que ello suponga una pérdida en el rendimiento del clasificador. Se ha demostrado cómo, partiendo de un espacio de características de dimensión d = 225 (ventana de características de 15 x15), en el que se puede llegar a trabajar con tan solo 15 o 20 características y al mismo tiempo mantener, o incluso mejorar, las tasas de clasificación.

En relación a las distintas aproximaciones de extracción de características evaluadas, SFUM y niveles de gris (ambas combinadas con PCA) son las que mejores resultados ofrecen. AFUM, a pesar de ser una técnica extremadamente sencilla, ofrece también buenos resultados, aunque significativamente con menores resultados que los conseguidos con las dos anteriores.

Experimentos de detección con imágenes completas

Esta parte consiste en detectar tumores a partir de una imagen completa de mamografía. Para ello será necesario, en primer lugar, clasificar individualmente cada uno de los píxeles que forman la imagen. Esto genera un mapa de sospecha que recoge la estimación de la probabilidad a posteriori de cada píxel de la mamografía. A continuación, a partir del mapa de sospecha, habrá que decidir qué regiones de la imagen corresponden a tejido sano y qué otras a algún tipo de tumor.

El sistema de ayuda al diagnóstico propuesto se evalúa mediante el uso de curvas FROC. En ellas se muestra el porcentaje de tumores que el sistema es capaz de detectar (verdaderos positivos) en función del número medio de errores de falso positivo cometidos por imagen. Los resultados obtenidos se comparan con otros resultados publicados con anterioridad por otros autores que emplearon la misma base de datos como Oporto, Martínez y Montero.

Detección de regiones sospechosas

Para poder definir regiones sospechosas a partir del mapa de sospecha es necesario:
 Establecer un umbral que permita decidir si un píxel se considera que tiene una .alta sospecha tumoral.
 Establecer un criterio de vecindad que permita agrupar píxeles sospechosos en regiones sospechosas.
 Establecer el nivel de sospecha de la región completa en función del nivel de sospecha individual de los píxeles que la forman.

Introducción al reconocimiento de formas

Aproximación deductiva. La aproximación deductiva intenta abordar racionalmente el problema planteado. Puesto que se basa en mecanismos de deducción bien establecidos, el conocimiento deductivo puede codificarse mediante la lógica matemática.

Aproximación inductiva. La aproximación inductiva se aplica en aquellos problemas en los que no se encuentra una explicación satisfactoria sobre los pasos o mecanismos que conducen a la resolución de los mismos. El clasificador usará este modelo en una etapa posterior para identificar (clasificar) objetos no vistos durante la etapa de aprendizaje.

Aproximación estadística. La aproximación estadística, también llamada geométrica, se basa en una teoría clásica y robusta como es la teoría de la decisión. Un objeto se representa en forma de d características o medidas y se trata como un punto en un espacio vectorial d-dimensional. El significado de las características viene dado, consecuentemente, por la posición de los vectores (puntos) en el espacio. El objetivo es escoger aquellas características que permiten distribuir los vectores de manera que las distintas clases o categorías ocupen regiones lo más compactas y disjuntas posible.

Aproximación estructural. En muchos problemas de reconocimiento de formas, los patrones que se presentan contienen una riqueza estructural importante, susceptible de ser modelada.

Los métodos estructurales aprovechan este tipo de información y ofrecen una perspectiva jerárquica de estas estructuras. De este modo, un patrón es visto como una composición de subpatrones más simples, los cuales están constituidos, a su vez, por otros subpatrones. Los patrones más elementales se denominan primitivos.

El patrón o forma original se representa en términos de interrelaciones entre estas primitivas. Partiendo de este punto de vista, puede establecerse una analogía entre la estructura de los patrones y la sintaxis de un lenguaje: los patrones son vistos como frases de un lenguaje y las primitivas como alfabeto de este lenguaje.

En este caso, los métodos de clasificación se denominan sintácticos.

En los métodos sintácticos, las frases son generadas a partir de una gramática que tendrá que ser inferida para cada patrón a partir de la muestra de entrenamiento. Una frase de test será clasificada según la aceptación de una determinada gramática o directamente por traducción.

Esquema general de un sistema de RF inductivo supervisado

Un sistema de reconocimiento opera funcionalmente en dos modos: entrenamiento o aprendizaje y test o clasificación. En la Figura 2.1 se muestra un modelo genérico de sistema de reconocimiento de formas. Cada una de las etapas mostradas tendrá unas características determinadas en función del sistema de reconocimiento que se desee implementar†

diagnostico_lesiones_mamografias/reconocimiento_formas_supervisado

Figura 3. Modelo de un sistema de reconocimiento de formas inductivo supervisado.

Módulo de adquisición

En esta primera etapa se mide un objeto del mundo real mediante los sensores físicos apropiados. En muchos casos esta información se presenta en forma de señal analógica, la cual puede ser preprocesada para mejorar su calidad o para aislar la parte útil de la misma. Una posterior digitalización de la señal permite que ésta pueda ser tratada por un computador, bien para almacenarla en algún tipo de soporte permanente, bien para utilizarla directamente como entrada en la etapa posterior. Se dice que la señal obtenida pertenece al espacio de representación primario.

Módulo de preprocesamiento

Su función es, básicamente, realzar y acondicionar el patrón de interés respecto del resto de la señal. En el caso particular de que la señal de entrada represente una imagen, serán operaciones habituales de esta etapa el escalado, cuantificación, filtrado, modificaciones del histograma, transformaciones geométricas, operaciones morfológicas, eliminación de ruido y segmentación.

Módulo de obtención de características

La obtención de características incluye los procesos de extracción, selección y reducción de características. El objetivo de esta etapa es encontrar el conjunto de características que mejor representa el objeto de entrada, esto es, que minimice las diferencias intraclase y maximice las diferencias interclase. La obtención de características es la parte menos sistemática del proceso y tiene una gran dependencia del tipo de tarea a realizar.

Se han considerado tres tareas en el proceso de obtención de características: la extracción, que hace referencia a la transformación de la señal del dominio primario a un dominio más adecuado para tratar el problema; la selección, con la que se escogen aquellas características que aportan información valiosa para la identificación del objeto, desechando la información no discriminante o redundante; y la reducción del número de características, que contribuirá a reducir el coste computacional.

Módulo de aprendizaje

El clasificador se entrena tratando de particionar el espacio de características generado por el módulo anterior, con el objetivo de minimizar el error de clasificación entre los prototipos del conjunto de evaluación. La retroalimentación hacia los módulos anteriores permite al diseñador del sistema escoger, entre las distintas técnicas probadas, aquella que mejor rendimiento proporcione, atendiendo a los resultados obtenidos al clasificar el conjunto de evaluación.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .8

Módulo de clasificación

En la fase de test, el clasificador toma el vector de características extraído del patrón de entrada y le asigna la clase con la que se encuentra una mayor similitud, de acuerdo al modelo inducido durante el entrenamiento. En ocasiones la salida del clasificador no se limita a la clase más similar y puede ofrecer múltiples hipótesis en forma de lista de n-tuplas conteniendo el identificador del objeto, una etiqueta de clase (hipótesis) y el nivel de fiabilidad asignado a la hipótesis.

Aproximación estadística al reconocimiento de formas

En el reconocimiento estadístico de formas, una forma o patrón se representa por un conjunto de d características o atributos en forma de vector d-dimensional. Además, se espera que los patrones de una misma clase se agrupen en zonas del espacio determinadas por las densidades dependientes de cada clase (denominadas densidades condicionales de clase) obtenidas a partir de un conjunto de muestras de entrenamiento. Ello posibilita la existencia de ciertas metodologías estadísticas que permiten la clasificación de nuevos patrones, lo que constituye la finalidad de cualquier sistema de reconocimiento.

Existen diversas estrategias a la hora de diseñar un clasificador estadístico, en función del tipo de información disponible sobre las densidades condicionales de clase. Si se dispone de densidades condicionales de clase completamente conocidas, se adopta la regla de decisión de Bayes óptima. Esta situación, sin embargo, no es habitual, por lo que las densidades deberán ser aprendidas a partir de un conjunto de muestras de entrenamiento. Si suponemos que las densidades condicionales de clase se ajustan a una forma determinada (por ejemplo, una o varias gaussianas multivariadas) pero algunos de sus parámetros son desconocidos (por ejemplo medias y/o matrices de covarianza), nos encontramos ante una aproximación paramétrica. En este contexto, la estrategia habitual para solucionar el problema consiste en reemplazar los parámetros desconocidos por sus valores estimados, lo que se conoce como clasificador empotrado (plug-in) de Bayes.

Si no se presupone ante una aproximación no paramétrica. En este caso, debe de estimarse la función de densidad o bien construir directamente las fronteras de decisión a partir de las muestras de entrenamiento.

Otra dicotomía que se presenta en el reconocimiento estadístico es la que se refiere a los modelos de aprendizaje supervisado y no supervisado. La diferencia entre estos es que en el caso del aprendizaje supervisado las muestras de entrenamiento están etiquetadas (esto es, la clase a la que pertenecen es conocida), mientras que la etiqueta de clase (y en ocasiones el número de éstas) es desconocida en el caso no supervisado.

En la tabla 4, se muestran las distintas aproximaciones al reconocimiento estadístico. A medida que nos desplazamos hacia abajo, la información disponible disminuye y, por tanto, aumenta la dificultad de la clasificación. En cierta manera, puede decirse que la mayoría de las aproximaciones intentan implementar la regla de decisión de Bayes.†

diagnostico_lesiones_mamografias/reconocimiento_estadistico_formas

Tabla 4. Aproximaciones al reconocimiento estadístico de formas.

Aproximaciones a la detección de tumores en imágenes médicas

A continuación se muestran las distintas fases que se abordan habitualmente durante la implementación de un sistema de ayuda al diagnóstico de cáncer.†

diagnostico_lesiones_mamografias/implementacion_sistema_ayuda

FIGURA 5. Fases que se abordan habitualmente durante la implementación de un sistema de ayuda al diagnóstico de cáncer.

Etapas en el diseño de un sistema de ayuda al diagnóstico de cáncer por ordenador a partir de imágenes médicas.

Todo sistema de CAD comienza con la digitalización de la imagen adquirida (rayos X, ecografía, RMN, entre otras), tras lo cual es habitual realizar un preproceso que ayude a eliminar ruido de la misma y, especialmente, a mejorar el contraste y realzar las regiones de la imagen de mayor interés. A continuación, en la fase de segmentación, se detectan y localizan las regiones sospechosas, lo que define las llamadas Regiones de Interés o ROIs. No debe confundirse esta segmentación con el término de igual nombre que habitualmente se utiliza en el reconocimiento de formas y procesamiento de imágenes.

En este caso la segmentación es una primera aproximación para aislar las regiones sospechosas de lo que claramente corresponde a tejido normal. En la siguiente fase, se extraen y seleccionan las características de las ROIs obtenidas en la fase anterior, para posteriormente proceder a su clasificación, otorgando a cada región de interés (ROI) un score o nivel de sospecha. Finalmente, es necesario emplear técnicas que permitan evaluar los resultados obtenidos, de manera que éstos puedan ser comparados de un modo objetivo. A continuación se explica con mayor detalle cada una de estas fases.

Preprocesamiento

La finalidad principal del preproceso es aumentar las diferencias entre las anomalías y el tejido sano. Los métodos más utilizados en este sentido son:

a) La modificación global del histograma. Esto se consigue mediante distintas aproximaciones como son la ecualización del histograma (EH), la EH multipico donde el histograma se particiona en función de los picos que contenga, ecualizándose cada partición de forma independiente y la expansión del histograma de modo que este abarque todo el rango de valores posibles.

b) El procesamiento local, en el que se aplican técnicas muy diversas en ventanas locales de la imagen (por ejemplo regiones de interés (ROI)) orientadas a resaltar las posibles anomalías que se encuentren en dichas ventanas locales.

c) El procesamiento multiescala, basado habitualmente en el uso de. Para ello la imagen digital se transforma mediante el uso de wavelets y se modifican los coeficientes para realzar las anomalías. Finalmente se aplica la transformación inversa del wavelet para devolver la imagen a su dominio original.

Segmentación

La fase de segmentación trata de aislar las regiones sospechosas (regiones de interés (ROI)) del resto de la imagen. Este proceso determinará la sensibilidad del sistema, esto es, su capacidad para detectar correctamente el tejido canceroso. La segmentación debería aislar el mayor número posible de anomalías, aunque entre las regiones de interés (ROI) se encuentren regiones correspondientes a tejido sano (falsos positivos). Los falsos positivos deberán ser eliminados en una fase posterior. Atendiendo a su naturaleza, las aproximaciones a la segmentación pueden dividirse en tres grupos: técnicas clásicas, substracción de imágenes bilaterales y técnicas multiescala.

a) Técnicas clásicas: la técnica clásica más sencilla es la umbralización global.

b) Su funcionamiento se basa en que el pico generado en el histograma por las regiones que contienen anomalías es distinto del pico generado por el tejido sano. Esta técnica, sin embargo, no tiene gran precisión en la detección de regiones de interés (ROI), por lo que la salida generada por esta umbralización se utiliza normalmente como entrada de algún otro proceso posterior.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .9

Una técnica algo más precisa consiste en la umbralización local. En este caso el valor de umbral se determina localmente para ventanas de menor tamaño, en función de los niveles de gris de los píxeles contenidos en la ventana. Una de las técnicas más populares para la segmentación de algunos tipos de tumor, caracterizados por presentar un nivel de brillo superior al del tejido circundante, es la conocida como region growing. La idea básica de este algoritmo es determinar un conjunto de semillas en la imagen y a continuación hacer crecer de manera iterativa dichas semillas, mediante la adición de píxeles vecinos cuyas características sean similares a la de la semilla. Cuando la región deja de crecer, se compara el nivel de intensidad medio de la misma con la intensidad de las regiones de alrededor, para determinar si se trata de una región sospechosa o no.

Las claves para el correcto funcionamiento de este algoritmo radican en el criterio de selección de semillas así como en el criterio utilizado para determinar si un píxel debe o no añadirse a la región.

Una técnica muy similar es la conocida como region clustering. En este caso las regiones se buscan directamente, sin necesidad de establecer semillas iniciales. El algoritmo de k-medias es una técnica de agrupamiento o clustering ampliamente utilizada. Otros algoritmos clásicos utilizados habitualmente para la segmentación de tumores son aquellos basados en la detección de bordes como los filtros de Sobel, Prewitt, Laplaciano, etc.

Otra técnica ampliamente utilizada es el emparejamiento de patrones o template matching. Esta aproximación trata de segmentar las anomalías buscando en la imagen patrones que guarden cierta similitud con un conjunto de prototipos obtenidos previamente de una muestra de entrenamiento. Cuando el tamaño de los patrones (anomalías) a segmentar se desconoce, es necesario disponer de un conjunto de prototipos que abarque todas las escalas posibles, o analizar la imagen de test a distintas escalas.

Substracción de imágenes: mediante la substracción de imágenes se pueden localizar diferencias entre dos imágenes médicas de un mismo paciente tomadas en distintos momentos. Para que esta aproximación genere resultados aceptables, es necesario realizar un alineamiento elástico entre ambas imágenes. Las diferencias encontradas entre una y otra imagen serán regiones sospechosas, aunque entre estas regiones puede haber un número importante de falsos positivos. Es necesario, por tanto, un posterior análisis basado en algún tipo de características, que ayude a reducir los falsos positivos. En los casos de órganos simétricos, como por ejemplo la mama, es posible también buscar diferencias entre las imágenes de cada órgano (por ejemplo mamografías del pecho izquierdo y derecho) tomadas en la misma sesión.

Técnicas multiescala: en ocasiones el tamaño de los tumores puede variar considerablemente. En este sentido, las técnicas multiescala pueden facilitar la detección de los mismos. Para ello, el método de detección escogido se aplica a diferentes escalas y se combina, de algún modo, el nivel de sospecha detectado en cada una de las escalas. Por otro lado, mediante la transformación discreta de wavelets (DWT), también es posible hacer un análisis multiescala de la imagen.

Extracción de características y selección

Una vez segmentada la imagen, puede ser necesario extraer características de las distintas regiones de interés (ROI) seleccionadas para determinar con mayor precisión el nivel de sospecha. El espacio de características puede ser muy grande y complejo, debido a la gran variabilidad que puede darse tanto en el tejido sano como en el canceroso.

Sin embargo, no todas las características obtenidas son igualmente significativas. Usar un número excesivo de características puede incrementar la complejidad del clasificador y degradar el rendimiento del mismo. La extracción y selección de características es una etapa clave para la correcta detección de tumores, ya que el rendimiento del sistema de CAD depende más de la optimización de la extracción y selección de características que del método de clasificación. Dependiendo del tipo de características que se extraigan de la imagen, el espacio de características puede dividirse en tres categorías: características de intensidad, características geométricas y características de textura.

a) Las características de intensidad es la aproximación más simple. Básicamente consiste en utilizar los valores de niveles de gris de cada ROI para caracterizar la misma. Otras aproximaciones utilizan características que representen la diferencia entre el nivel de gris medio de la ROI y el nivel de gris medio de los píxeles que circundan la ROI.

b) Las características geométricas o morfológicas se basan en la forma de la ROI, calculándose a partir del área y borde de la misma (área, perímetro, convexidad, momentos de primer, segundo y tercer orden, oblicuidad, etc.).

c) Las características de textura pueden obtenerse a partir de técnicas muy diversas, entre las que cabe destacar las matrices de concurrencia, también llamadas Matrices de Dependencia de Niveles de Gris o Space Gray Level Dependence Matrices (SGLDM), los vectores de estadísticas de diferencia de nivel de gris (GLDS) o las características de Run Length Statistics (RLS).

Independientemente del tipo de características obtenidas en primera instancia, se puede aplicar el Análisis de Componentes Principales (PCA) para decorrelar las distintas características y reducir su número. En este sentido, las técnicas más utilizadas son la selección de características por etapas mediante el Análisis Lineal Discriminante y los Algoritmos Genéticos.

Clasificación

Una vez que las características han sido extraídas y seleccionadas, estas deben ser clasificadas para determinar el grado de sospecha Cada clasificador puede tener su propia región del espacio de características donde su rendimiento es mejor, por lo que la combinación de distintos clasificadores puede mejorar significativamente el rendimiento global. Los clasificadores pueden combinarse en paralelo, en cascada o de forma jerárquica.

Evaluación del modelo

Un método ampliamente utilizado para la comparación de clasificadores binarios en general y para la clasificación de tumores en particular, es el análisis mediante curvas ROC (Receiver Operating Characteristic), en las que se muestran los verdaderos positivos en función de los falsos positivos

Cuando el sistema a evaluar no es puramente de clasificación, sino de detección y localización, en el que puede observarse más de un tumor en la imagen, entonces el método más adecuado para la evaluación es el basado en curvas Free-ROC (FROC). En este caso, se muestra la relación entre los verdaderos positivos y el número medio de falsos positivos por imagen.

Detección de cáncer de mama

El cáncer de mama es, tras el de pulmón, el tipo de cáncer que tiene mayor índice de mortalidad entre las mujeres. En cuanto a incidencia, ocupa también el segundo lugar tras el cáncer de piel. La probabilidad de que una mujer desarrolle un cáncer de mama invasivo (tumor en estado avanzado) durante su vida está entre el 8 y el 13%.

Dependiendo de la severidad del cáncer (tamaño y localización) éste se clasifica en distintas fases o estadios. En el caso del cáncer de mama, estas fases van de la 0 (cáncer incipiente) hasta la IV (cáncer avanzado con metástasis). En la Tabla 5, se muestran los porcentajes de supervivencia tras los 5 primeros años para cada una de estas fases. Como puede observarse, las probabilidades de curación decrecen drásticamente a medida que aumenta la severidad del cáncer.†

diagnostico_lesiones_mamografias/fase_supervivencia

Tabla 5. Índice de supervivencia tras los 5 primeros años de haberse detectado un cáncer de mama (Fuente: American Cancer Society).

Métodos actuales en el diagnóstico del cáncer de mama

Actualmente, los métodos más utilizados en el diagnóstico precoz del cáncer de mama son la autoexploración y la mamografía. Mediante la autoexploración sistemática, es posible detectar bultos u otros cambios en el seno, que pueden indicar la presencia de un tumor.

La mamografía es un test de imagen en el que se utilizan rayos X de baja radiación y películas de alta resolución. Hoy en día este test es la técnica más efectiva, de bajo coste y alta sensibilidad para el diagnóstico del cáncer de mama. Permite detectar entre un 85 y un 90% de los tumores, antes incluso de que estos puedan detectarse por palpación.. De un modo u otro, cuando se detecta una anomalía, se realizan otras pruebas de imagen para obtener un diagnóstico más preciso. Dichas pruebas pueden consistir en una nueva mamografía más detallada (nuevos ángulos, o mayor detalle en ciertas áreas), una ecografía o, de manera menos frecuente, una resonancia magnética, o una termografía.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .10

En la Tabla 3.2 se muestran los distintos tipos de anomalías que pueden observarse en una mamografía y ser indicativos de a presencia de un tumor maligno. La ecografía permite generar una imagen a partir del eco recibido de una secuencia de ultrasonidos. Una ventaja de la ecografía frente a la mamografía es que, la primera, puede tomarse prácticamente desde cualquier ángulo. Otra gran ventaja de esta técnica radica en que permite distinguir los quistes (tumores benignos formados por líquido) de las masas sólidas (normalmente nódulos cancerosos). En la mamografía, por contra, las masas y los quistes tienen un aspecto muy parecido.

La desventaja de la ecografía es que, aunque ofrece un buen contraste, ofrece una resolución espacial muy pobre.†

diagnostico_lesiones_mamografias/clasificacion_anomalias

Tabla 6. Clasificación de los distintos tipos de anomalías observables en una mamografía que pueden ser indicativos de la presencia de un tumor maligno.

La Resonancia Magnética Nuclear (RMN) utiliza un potente campo magnético y ondas de radio. Los distintos tejidos absorben y reflectan las ondas de radio con distinta intensidad en función de su densidad y contenido en agua, de manera que a partir del eco producido por dichas ondas, es posible reconstruir una imagen muy precisa de los tejidos explorados. Adicionalmente, es posible inyectar al paciente un contraste para obtener imágenes de mayor calidad. La RMN permite modificar las direcciones del campo magnético y de las ondas de radio, para obtener vistas en cualquier plano. Mediante la Resonancia Magnética Nuclear (RMN) es posible detectar tumores de muy pequeño tamaño, que no se pueden observar mediante mamografía o ecografía. La Resonancia Magnética Nuclear (RMN) es igualmente de gran utilidad a la hora de determinar el estadio en el que se encuentra un tumor. Además, en las mujeres que tienen algún implante o un pecho más denso, la Resonancia Magnética Nuclear (RMN) ofrece mejores resultados que la mamografía, ya que tanto la silicona como los tejidos más densos impiden el paso de los rayos X, ensombreciendo parte del tejido mamario. La gran desventaja de la Resonancia Magnética Nuclear (RMN) es su elevado coste y su baja especificidad (prácticamente no distingue los tumores malignos de los benignos).

La termografía permite detectar temperaturas anormales en ciertas regiones de la mama, lo que a su vez puede ser indicativo de la presencia de un tumor. Para realizarla utiliza una cámara con un sensor térmico que permite capturar una imagen digital basada en el calor irradiado por los distintos tejidos. Dicha imagen es posteriormente procesada por un ordenador que analiza los patrones de calor y resalta las áreas con alta sospecha de contener células cancerosas. Ofrece una alta sensibilidad, aunque menor especificidad.

La biopsia consiste en tomar una muestra de tejido, para su posterior análisis al microscopio. Este análisis histológico permite revelar, con una fiabilidad del 100%, si en el tejido analizado se encuentran o no células cancerosas. Para realizar la biopsia, normalmente se recurre de nuevo a la mamografía o a la ecografía, como ayuda para dirigir la aguja de la biopsia a la zona del pecho deseada.

Diagnóstico del cáncer de mama asistido por ordenador

La solución más realista referente al diagnostico del cáncer de mama asistido por ordenador consiste en utilizar la técnica denominada prompting. En este caso, el ordenador se utiliza para detectar potenciales anomalías en la imagen digital y llamar la atención del radiólogo hacia esas zonas sospechosas, marcando de alguna manera (por ejemplo mediante un círculo sobreimpreso) dichas regiones de la imagen. En esta segunda aproximación el ordenador se utiliza, no como substituto del experto humano, sino como sistema de ayuda al diagnóstico (CAD).

Los sistemas de CAD aplicados a la mamografía han demostrado resultados prometedores. Las publicaciones realizadas están relacionadas tanto con el estudio de algoritmos para la detección de los distintos tipos de anomalías, como con el posterior análisis de las mejoras que pueden aportar los sistemas de CAD respecto a la precisión diagnóstica conseguida por el experto humano. Algunos de estos estudios, sin embargo, dudan de la aplicabilidad práctica de los sistemas de CAD, por lo que, actualmente, todavía es tema de controversia entre los expertos la utilidad de estos sistemas

Sistemas automatizados, que han contribuido al desarrollo de CAD´s.

Se han realizado diversas investigaciones con el fin de crear sistemas automatizados que contribuyan en el diagnóstico de diferentes tipos de cáncer de mama. El diagnóstico del cáncer de mama asistido por computadora, es la solución más realista. En este concepto, la computadora se utiliza para detectar potenciales anomalías en la imagen digital con el objeto de llamar la atención del radiólogo hacia las zonas sospechosas. En esta aproximación, la computadora se utiliza no como sustituto del experto humano, sino como herramienta de ayuda en el diagnóstico del cáncer.

Las publicaciones y trabajos realizados relacionados con esta investigación han sido aportaciones tecnológicas de gran interés de acuerdo a los resultados proporcionados, así como a la apreciación en el sector salud. Además de los trabajos futuros que se han propuesto para la mejora continua respecto a la precisión diagnóstica del cáncer de mama por los expertos humanos.

Las mamografías han sido utilizadas regularmente con fines de diagnóstico. En 2003 se publicó una Norma Oficial Mexicana que abre la posibilidad para un programa de escrutinio poblacional que instrumente el uso de las mamografías como herramienta de detección [NOM-041-SSA2-2002, 2003].

El Colegio Americano de Radiología (American College of Radiology) en su sistema de reporte BI-RADS (6), define una masa como: “una lesión que ocupa espacio observado en dos proyecciones diferentes; si no se puede observar en ambas proyecciones se considera una asimetría". Una masa, es considerada a cualquier presencia localizada de una protuberancia o un bulto formado por la alteración de fluidos o de tejido en la mama. Usualmente, cuando se ha determinado la existencia de la masa y sin importar la proyección usada para el análisis, se describen por su localización, tamaño, forma, margen, densidad y algunos otros hallazgos como la distorsión de la arquitectura del parénquima (Narváez, 2010).

El grupo de Investigación Bioingenium de la Universidad Nacional de Colombia, presentan una aplicación de aprendizaje semisupervisado con el fin de clasificar imágenes medicas, conocido como aprendizaje transductivo en la clasificación de imágenes medicas radiológicas [Cruz A, 2008]. El problema analizado en esta aplicación consiste en analizar la información almacenada en la base de datos, ya que cuando incrementan las imágenes médicas, sólo algunas pocas imágenes son etiquetadas con datos o información médica útil, por lo que, el aprendizaje semi-supervisado o transductivo se usa cuando se tienen en la base datos pocos datos y además sin etiquetar.

MedDetectes, uno de los sistemas de análisis de imágenes médicas desarrollados más recientemente, realiza en tiempo real extracción de características en un dominio invariante a la escala y a la rotación (Miriam Sucar 2006).

Una aplicación presentada por el grupo de Investigación Bioingenium de la Universidad Nacional de Colombia [Cruz, 2008], presentan una aplicación de aprendizaje semisupervisado con el fin de clasificar imágenes medicas.

Los trabajos de investigación de [Martínez y Montero, 2009], presentan el Procesamiento de imágenes médicas, basadas en contenido, utilizando como herramienta matemática la Transformada Wavelets de Haar (funciones generadas a partir de otra función, mediante dilataciones y traslación de esta función que satisface ciertos requisitos) a un tipo de codificación por sub_banda, en la que una señal, al aplicar distintos filtros, se puede descomponer en múltiples bandas.

La Facultad de Ingeniería Mecánica, Eléctrica y Electrónica de la Universidad de Guanajuato, con el trabajo de investigación “Extracción de características en Mamografía Digitalizada utilizando filtrado Quincunx”, manifiesta que los sistemas CAD (Diagnostico Asistido por Computadora) incrementan la eficiencia en los procedimientos de exploración como una segunda opinión [González, 2007].

El Centro de Sistemas Inteligentes del Instituto Tecnológico de Monterrey ITESM, Campus Monterrey, Torre CETEC 5to piso [Oporto, 2007], clasificaron imágenes de mamografías según el tipo de tejido predominante, es un paso previo al proceso de identificación de masas mamográficas sospechosas de ser cancerosas.

El Departamento de Lenguajes y Ciencias de la Computación. E.T.S.I. (Escuela Técnica Superior de Ingeniería) de Telecomunicación Informática de la Universidad de Málaga, España [López, 2008], desarrollaron un algoritmo de localización y detección de vasos sanguíneos para las mamografías y otras imágenes médicas. Las imágenes utilizadas para este proyecto fueron tomadas de las imágenes de columna y pecho de los entrenamientos del desafío ImageClefmed del 2008 y en el que el rendimiento fue evaluado con diferentes ejemplos imágenes comparándolo con el aprendizaje de una Máquina de Soporte Vectorial normal.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .11

La finalidad de esta aplicación, es clasificar las imágenes médicas por región anatómica, en la que se generan aproximaciones para categorizar y recuperar imágenes de acuerdo a la modalidad que presentan, partiendo de un vector de características que representa a cada ejemplo utilizado, así cada uno de ellos indicará la etiqueta y los nuevos datos para tener una nueva clasificación o categoría particular. Es decir, se busca la construcción de un modelo nuevo a partir de los nuevos datos etiquetados para mejorar el desempeño en la tarea de clasificación.

El aprendizaje semisupervisado puede ser mejor, que el aprendizaje inductivo, cuando existen pocas imágenes etiquetadas. Esto es que se pueden aprovechar mejor los datos no etiquetados para mejorar el modelo, utilizando algoritmos eficientes, ya que pueden aportar datos muy valiosos. En la extracción de características, la representación de la imagen, es la transformada Ridgelet de la imagen original en escala de grises, que permite representar los coeficientes asociados al espacio de frecuencia en diferentes orientaciones. La transformada Ridgelet, es la aplicación de una transformada 1-D de Wavelet para las tajadas de la transformada de Radon, mientras que la transformada 2-D de Fourier es la aplicación de la transformada de 1-D de Fourier a estas tajadas de Radon. Por lo tanto, la clasificación de las imágenes a partir de imágenes con pocos datos etiquetados puede ser un instrumento para mejorar la aplicación, categorizando las imágenes médicas, y desde luego sería conveniente realizar más experimentos para tener datos más precisos.

Por su parte, el grupo del Laboratorio de Sistemas Inteligentes de la Facultad de Ingeniería UBA (Universidad de Buenos Aires) del Centro de Ingeniería del Software e Ingeniería del Conocimiento, realizaron un sistema automático con el fin de clasificar tumores en mamografías a través de la aplicación de redes neuronales, mediante el uso combinado de rbp y filtros sobel, en la que se propone una mejora a la metodología aplicada [Carlot, 2006].

Los trabajos realizados en el Centro de Investigación del Instituto Tecnológico de Zacatepec, presentan el Procesamiento de imágenes médicas, basadas en contenido, utilizando como herramienta matemática la Transformada Wavelets de Haar (funciones generadas a partir de otra función, mediante dilataciones y traslación de esta función que satisface ciertos requisitos) a un tipo de codificación por sub_banda, en la que una señal, al aplicar distintos filtros, se puede descomponer en múltiples bandas [Martínez y Montero, 2009].

El Centro de Sistemas Inteligentes del Instituto Tecnológico de Monterrey ITESM, Campus Monterrey, Torre CETEC 5to piso, clasificaron imágenes de mamografías según el tipo de tejido predominante usando redes neuronales artificiales, es un paso previo al proceso de identificación de masas mamográficas sospechosas de ser cancerosas [Oporto, 2007].

El proceso médico de clasificación de mamografías digitales según el tipo de tejido predominante, tiene como objetivo primordial mejorar la identificación de los posibles casos de cáncer, a través de técnicas de minería de datos, al concentrar un mayor esfuerzo en las mamografías con tejido denso y al tomar en cuenta algunos estudios que sugieren la correlación positiva de este tipo de tejido.

El Departamento de Lenguajes y Ciencias de la Computación. E.T.S.I. (Escuela Técnica Superior de Ingeniería) de Telecomunicación Informática de la Universidad de Málaga, España, desarrollaron un algoritmo de localización y detección de vasos sanguíneos para las mamografías y otras imágenes médicas [López, 2008].

La aplicación de estos algoritmos en las imágenes de mamografía y otras imágenes médicas fueron usados debido a la baja calidad. Además los radiólogos que examinan, normalmente tienen que diagnosticar gran número casos cada día. Debido a estos motivos junto a que hay lesiones difícilmente visibles al ojo humano, ocultación 2d, objetos o tejidos, el cansancio, falta concentración y la enorme responsabilidad a que se ven sometidos, hacen que sea de gran utilidad un sistema de ayuda al diagnóstico CAD (Computer Aided diagnostic). Es conocido entre los radiólogos que los procesos de malignidad de la mama nunca ocurren en los vasos sanguíneos de ésta. Por este motivo, es imprescindible la localización de vasos sanguíneos en la mama para descartar los falsos positivos que pudieran originarse en los vasos en un sistema CAD.

Por este motivo, este sistema es imprescindible, descartar los falsos positivos que pudieran originarse. En este trabajo de investigación se ha desarrollado un algoritmo de localización y detección de vasos sanguíneos para las mamografías, aunque se puede aplicar a otras imágenes médicas.

Los resultados obtenidos en las pruebas demuestran que este método tiene un excelente rendimiento en términos de precisión, sensibilidad y especificidad. Además el tiempo computación es adecuado para uso clínico en tiempo real.

El Colegio Estadounidense de Radiología, ACR, ha elaborado un sistema de datos y reportes llamado BI-RADS (Breast Imaging Reporting and Data System) que ayuda al radiólogo a elaborar un reporte estandarizado y reduce la posible confusión en la interpretación de la imagen mamográfica, clasificando los estudios en 7 categorías bien definidas.

El sistema BI-RADS, es un sistema de datos y reportes, que ayuda al radiólogo a elaborar un reporte, con el objeto de reducir la posible confusión en la interpretación o diagnóstico de la imagen de mamografía.

En el documento BI-RADS, se clasifican los estudios en 7 categorías bien definidas, desde un estudio normal que sólo requiere de seguimiento al cabo de un año, hasta uno francamente maligno que requiere biopsia, y se requiere su manejo posterior. En cuanto a la interpretación mamográfica, el BI-RADS contribuye a que los radiólogos concluyan de una manera más concreta su interpretación, se comuniquen en un mismo lenguaje y se sugieran el manejo de la lesión.

MedDetect es uno de los sistemas de análisis de imágenes médicas desarrollados más recientemente. Realiza, en tiempo real, extracción de características en un dominio invariante a la escala y a la rotación.

Otro sistema de ayuda al diagnóstico de cáncer de mama es el PROMAM (PROmptinggforMAMmography). Este sistema marca correctamente el 94% de las microcalcificaciones y el 73% de las masas (Velasquez, 1992).

La norma oficial mexicana NOM-041-SSA2-2002 de la Legislación mexicana relativa a la detección del cáncer mamario y mamografías, publicada en 2003, establece criterios de operación para la prevención, diagnóstico, tratamiento, control y vigilancia epidemiológica del cáncer de mama. Como toda NOM, es de observancia obligatoria en el país y, en este caso, aplica al personal de salud, profesional y auxiliar de los sectores público, social y privado que brindan atención médica.

Este trabajo describe las principales características de la enfermedad y los procedimientos para su detección. Se revisa el uso de las mamografías en el país, discutiendo los factores técnicos y humanos que determinan su exactitud y calidad.

Las estadísticas de morbilidad y mortalidad, determinan que el mayor número de casos de cáncer de mama se registra en los países industrializados, aunque la mortalidad por esta causa, es mayor en los países más pobres [Cáncer Mondial, 2002]. Esto refleja probablemente el efecto pobre, sin embargo existen muchos factores de riesgo, que son determinantes para contraer la enfermedad.

La NOM-041 reconoce 3 tipos de intervenciones específicas para la detección del cáncer, la autoexploración, el examen clínico y la mastografía. La NOM-041, también establece los requisitos para el equipo de mastografía consistentes con los requeridos, señala las pruebas de control de calidad y describe el programa de garantía de la calidad que debe implementarse para asegurar la calidad del servicio. Además hace referencia a la norma NOM-158-SSA1-1996 de cumplimiento obligatorio desde 1997, que establece las especificaciones técnicas para equipos de diagnóstico médico con rayos X.

Respecto del funcionamiento de los equipos, se requiere el cumplimiento de 6 pruebas de control de calidad del equipo, 7 para el proceso de revelado, cuarto oscuro y negatoscopios, y una respecto de la dosis promedio recibida por las pacientes.

El análisis realizado en este trabajo, indica que los factores de riesgo de contraer cáncer de mama, se determina de acuerdo al país o región, demostrando estadísticamente que en los países más desarrollados se presenta el mayor número de casos.

Otros factores de riesgos, indican que la edad, localización geográfica, historia familiar, dieta, consumo de alcohol, exposición a radiaciones ionizantes, ingesta de hormonas, son aspectos relevantes para contraer la enfermedad.

Por lo anterior, las legislaciones mexicanas, a través de las normas y asociaciones estadounidenses de cáncer recomiendan la autoexploración y examen clínico de glándula mamaria de forma mensual a todas las mujeres a partir de la menarca, sobre todo en las mayores de 20 años.

En particular, los algoritmos para el delineamiento de estructuras anatómicas y otras regiones, son un componente clave para asistir y automatizar ciertas tareas radiológicas. Estos algoritmos de segmentación de imágenes juegan un papel importante en numerosas aplicaciones biomédicas de tratamiento de imágenes, como se muestra en el trabajo de Rueckert y otros (González Rafael y Woods Richard, 1992).


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .12

Los métodos del valor umbral son un grupo de algoritmos, cuya finalidad, es llevar a cabo las segmentaciones que varían ampliamente dependiendo de la aplicación específica, tipo de la imagen, y otros factores, solo se utiliza para segmentar imágenes con mucho contraste. Por ejemplo, la segmentación del tejido del cerebro tiene diferentes requerimientos que la segmentación de un hígado.

Otros factores como el ruido, volúmenes parciales y movimientos en la imagen, también pueden tener consecuencias significativas en el desempeño de los algoritmos de segmentación. Más aun, cada tipo de imagen tiene un conjunto de características propio.

Actualmente, no existe un método de segmentación que alcance resultados aceptables para todo tipo de imágenes médicas. No existen métodos que sean generales y que puedan ser aplicados a cualquier variedad de datos. De cualquier forma, los métodos que son especializados para aplicaciones particulares pueden obtener mejores resultados tomando en cuenta conocimiento a priori. Por lo tanto, la selección de un método apropiado para un problema de segmentación puede ser muy difícil.

Los trabajos de investigación citados anteriormente, describen varios CADs (7), o métodos automatizados que se han propuesto con el objeto de apoyar en el diagnóstico de cáncer para ofrecer tratamientos oportunos.

Cada trabajo propone un método y en algunos casos aplica diferentes técnicas para resolver el problema de acuerdo a lo planteado.

Los métodos de segmentación que se describen pueden ser vistos como problemas de optimización, donde la segmentación deseada, es la que minimiza alguna función de energía o de costo definida para una aplicación en particular. La ventaja de ver la segmentación como un problema de optimización, es que define de manera precisa los aspectos deseables de las imágenes. Es muy claro que para diferentes aplicaciones, se necesitan diferentes funciones.

El trabajo de investigación “Sistema automatizado de apoyo al diagnóstico de lesiones en imágenes de mamografía, tiene como objetivo, desarrollar e implementar una herramienta, usando los algoritmos de minería de datos (redes neuronales y k-means), para el procesamiento de imágenes médicas de mamografías digitales, que permitan el análisis de los datos y seguimiento para otras etapas.

La aplicación fue desarrollada en el lenguaje de programación MATLAB y C++, tomando como ventaja la transportabilidad a diferentes sistemas operativos, así como la base de datos en MYSQL.

El sistema desarrollado, se conforma de las siguientes etapas: digitalización, preprocesamiento, segmentación y selección y extracción de características, para lo cual se utilizan métodos estadísticos, teorías de fractales y diversas técnicas con algoritmos tales como modelos de Markov, algoritmos de lógica difusa y redes neuronales. En el sistema automatizado, se procesa la imagen y se obtiene un diagnóstico de preclasificación sobre ella, basado en el histograma, tejido, operaciones (ecualizar, binarizar, cortar, brillo, contraste, reflejo, zoom); y con la manipulación de la imagen y agrupamiento se realiza la detección de anomalías.

La minería de datos, aplicada al procesamiento de imágenes ha dado buenos resultados a través de la aplicación de redes neuronales para las tareas de clasificación y agrupamiento [Antonie et al, 2001].

El trabajo propuesto, dirigido al sector salud, considera que al aplicar métodos de clasificación, utilizando la minería de datos, puede proporcionar buenos resultados que pudieran ser de gran utilidad en la detección de anomalías en dichas imágenes.

Además se pueden determinar estrategias para el pre-procesamiento de la imagen, proponer que sistema inteligente es el más apto para realizar el reconocimiento y el método que genere un posible diagnóstico, validarlo mediante un conjunto de datos reales, empleando las redes neuronales para clasificar imágenes tomográficas, detección de anormalidades contenidas y proveer una buena clasificación.

La metodología propuesta en este trabajo, se conforma por una serie de etapas, las cuales se describen a continuación. La primera etapa, consiste en obtener regiones de interés (ROI) de las imágenes de nuestra base de datos. La segunda etapa consiste en aplicar el proceso de filtrado Quincunx, y el proceso de filtrado Wavelet Daubechies DB4, a este último se le aplica una umbralización suave en los detalles de descomposición en el dominio transformado. El 70% de las imágenes de datos, son utilizadas para este propósito. La tercer etapa consiste en la extracción de las características no contextuales (intensidad de píxel) y contextuales (contraste local CI, contraste local normalizadoCIn y magnitud de gradiente B), los cuales forman un arreglo de características que serán analizados. En la cuarta etapa estas características son analizadas mediante la combinación del método de regresión secuencial SFS y una Red Neuronal Artificial de Regresión General GRNN, el cual selecciona el arreglo óptimo que modele las mejores características que sean representativas a microcalcificaciones. En la última etapa se realiza la segmentación a las imágenes, mediante el algoritmo de clasificación no supervisado k-medias, en el cual se obtienen los centros para clasificar el resto de las imágenes de la base de datos (30%) y poder comparar finalmente, si las imágenes segmentadas con las características extraídas de las imágenes procesadas con filtro Quincunx, son o no mejores respecto a las imágenes segmentadas con las características extraídas de imágenes procesadas con la familia de Wavelet.

Las propiedades de una descomposición Wavelet son afectadas de manera favorable en el esquema de muestreo, es decir, que las muestras de la señal, en el caso bidimensional, es dividida en un número de fases.

La imagen de la primera fase es reconstruida por medio de la diferencia de la salida del filtro de actualización y del promedio de los coeficientes Wavelet. Entonces e la imagen reconstruida de la primera fase es filtrada con el filtro de predicción cuya salida es agregada a los coeficientes de detalle Wavelet resultantes de la imagen de la segunda fase. La imagen reconstruida se obtiene simplemente uniendo ambas fases.

La segmentación Quincunx ligeramente mejor en comparativa con la imagen segmentada Wavelet, también obtiene un mejor número de características que representa mejor a las microcalcificaciones, así como un bajo número de clases necesarias para la segmentación.

El filtrado Quincunx es una mejora al filtrado Wavelet convencional, debido a que obtiene diferentes propiedades de orientación bajo una descomposición Wavelet. Las características de una imagen que no pueden ser detectadas mediante los detalles horizontales, detalles verticales y detalles diagonales, pueden ser detectadas mediante el empleo de Wavelets no separables como el enrejado Quincunx, el cual ofrece una solución a este problema. Los coeficientes Wavelet de detalles, están dominados por el ruido, mientas que los coeficientes de aproximaciones, proveen más información de la señal que del ruido.

Las mamografías correctamente clasificadas, consideraron algunos criterios como las categorías de acuerdo a la información y posteriormente evaluar el grado de acierto. Con esto, se busca disminuir el número de falsos positivos.

Algunas aplicaciones utilizadas en este trabajo, para la clasificación de imágenes médicas son el FP Image (8), el cual fue usado en la visualización de imágenes y la conversión de estas en otros formatos, el ImageMagick (9), permite la conversión a otros formatos y transformaciones de las imágenes, el software ImageJ (10), que permite visualizar, editar, analizar, procesar, guardar e imprimir imágenes, Soporta stacks, una serie de imágenes que comparten una ventana simple, permite también el cálculo de estadísticas, crea histogramas, permite el procesamiento y está diseñado con arquitectura abierta que provee extensibilidad a través de plugins, que permiten resolver problemas de tratamiento y análisis de imágenes; y el Weka (11), que contempla algoritmos que pueden ser aplicados directamente a una base de datos o llamada desde su propio código Java. WEKA contiene herramientas de datos: pre-procesamiento, clasificación, regresión, agrupación, normas de asociación, y la visualización. También es bien adecuado para el desarrollo de nuevos sistemas de aprendizaje automático.

La herramienta radiográfica BI-RADS fue usada como un sistema de control de calidad durante los reportes e interpretaciones de mamografías, haciendo una evaluación numérica de categorías (clase 0, clase I, clase II, clase III, clase IV, clase V y clase VI) para la interpretación por el radiólogo. Con lo qué, la aplicación presenta un reporte radiográfico uniforme y más preciso para que pueda ser interpretado por los médicos especializados.

La información clasificada en categorías, respecto al análisis de las imágenes, presentan una base de datos en la que el resultado obtenido puede precisar el diagnóstico del cáncer de mama, además será de mucho apoyo a los médicos especialista en el sector salud minimizar los falsos positivos.

Las imágenes de mamografía para este proyecto de investigación fueron tomadas de The Mammographic Image Analysis Society (MIAS). La base de datos contiene 322 imágenes de las cuales 25 contienen microcalcificaciones, 13 son malignas y 12 son benignas. Varios trabajos relacionados han usado en sus pruebas esta base de datos (Egan, 1988; Karssemeijer, 1996 y, Rangayyan, 1997).

La base de datos utilizada en este trabajo de investigación es la de MIAS (12), con base en el acuerdo de licencia disponible en
http://peipa.essex.ac.uk/ipa/pix/mias/Licence.txt.


Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .13

Notas al pie

1. Mamografía. Imagen plana de la glándula mamaria obtenida con rayos X.
2. Calcificaciones. Pequeños depósitos de calcio que se forman en el seno a medida que la mujer envejece.
3. Fibroadenomas. Vistas transversales de arterias calcificadas.
4. IRM. Resonancia Magnética.
5. Microcalcificaciones. Minúsculos depósitos de calcio que aparecen como pequeños puntos blancos y brillantes en la mamografía.
6. BI-RADS (Breast Imaging Reporting and Data System). Sistema de datos y reportes en la interpretación o diagnóstico de la imagen de mamografía.
7. CADs. (Diagnóstico Asistido por Computadoras)
8. Software para el procesamiento de imágenes, http://www.fpimage.com/info.html.
9. Software para crear, editar y componer imágenes de mapa de bits,
http://www.imagemagick.org/script/index.php.
10. Software de procesamiento de imágenes en Java de público dominio,
http://rsbweb.nih.gov/ijdocs/index.html.
11. Colección de algoritmos de aprendizaje de máquina para tareas de minería de datos,
http://www.cs.waikato.ac.nz/ml/weka/
12. The Mammographic Image Analysis Society. La base de datos de imágenes de mamografías


Bibliografía

1. http://translate. google.com.mx /translate?hl=es& langpair=en|e s&u=http://globoc an.iarc.fr/factsheet s/cancers/breast.a
http://www.who.int/mediacentre/factsheets/fs297/es/index.html
3. http://www.eluniverso.com/2009/11/03/1/1384/cancer-mama-epidemia-latinoamerica.html
4. http://diariodelosandes.com/content/view/96082/105782/
5. http://www.abc. es/2009101 4/sociedad-salud /cada-detectan- nuevos-casos-20091 014171 7.html
6. http://translate. google.com.mx /translate ?hl=es&la ngpair=e n|es&u= http://globocan.iarc. fr/facts heets/ cancers /prostate.asp
7. http://www.lasalud.com.mx/2009/11/03/Urologia/El.C.E/5566.html
8. http:// translate .google .com.mx/tran slate?hl=es&l angp air=en |es&u= http:/ /glob ocan .iarc .fr/fa ctsheets /cancers /lung.aspsp
9. http://www.telecinco.es/informativos/sociedad/noticia/870959/870959
10. http://www.mimorelia.com/noticias/41432
11. http://translate. google.com.mx /translate?hl=es& langpair= en|es&u= http://globocan .iarc.fr /factsheets/ cancers /cervix.asp
12. http://www.bbc.co.uk/mundo/noticias/2011/09/110914_cancer_mujeres_mama_cuello_uterino_fp.shtml
13. http://www.elespectador.com/revistas/ellas/articulo-253887-una-vida-de-cuidados
14. http://translate. google.com. mx/ translate?hl=es& lang pair=e n|es&u=http ://www. worldli feexp ectancy .com/ world -rankings-total -deaths
15. http://translate. google.com.mx/ translate?hl=es& langpair=en |es&u=http:// emedicine. medscape. com/article/ 280104-overview
16. http://translate .google.com .mx/translate?hl=es&lang pair=en|es&u= http://info.cancer researchuk.org/ news/archive /cancernews/2011-09-15-Report-reveals-global-breast-and-cervical-cancer-trends
17. http://www.telediario.mx/node/101954
18. http://www.eluniversaledomex.mx/otros/nota12782.html
19. http://www.eldiariodecoahuila.com.mx/notas/2011/9/9/cancer-mama-cifras-252575.asp
20. http://www.animal politico.com /el-pulso/estudio-2010-r egistro-16-millones- de-casos-de-cancer-de-mama/
21. http://www.excelsior.com.mx/index.php?m=nota&id_nota=752861
22. http://www.asisucede.com.mx/2011/04/06/cancer-de-prostata-entre-las-principales-causas-de-muerte/
23. http://www.cambiodemichoacan.com.mx/vernota.php?id=142856
24. http://www.eluniversaldf.mx/home/nota28184.html
25. http://www.l illy.com .mx/cmsc entral /lillymx/pr ensa %202 010 /comunicados 201 1 / comunicado 52011 cancer/ default.aspx
26. http://www.lapoliciaca.com/nota-roja/disminuye-cancer-cervico-uterino-como-causa-de-mortalidad/
27. http://www.laopiniondezamora.es/castilla-leon/2010/10/18/castilla-leon-registro-1542-casos-cancer-mama-2009/471071.html
28. http://noticierostelevisa.esmas.com/especiales/341492/en-mexico-muere-dos-horas-mujer-cancer-mama-
29. http://www.masnoticias.net/nota.cgi?id=365197
30. http://www.zocalo.com.mx/seccion/articulo/cada-ano-60-mil-nuevos-casos-de-cancer-de-mama-en-mexico
31. http://www.eldiariodecoahuila.com.mx/notas/2011/9/9/cancer-mama-cifras-252575.asp.
32. http://noticierostelevisa.esmas.com/especiales/341492/en-mexico-muere-dos-horas-mujer-cancer-mama;
33. http://www.masnoticias.net/nota.cgi?id=365197; [7]http://www.animalpolitico.com/el-pulso/estudio-2010-registro-16-millones-de-casos-de-cancer-de-mama/
34. López-Carrillo, L; Suárez-López, L. y Torres-Sánchez, L. (2009). Detección del cáncer de mama en México: síntesis de los resultados de la Encuesta Nacional de Salud Reproductiva. Salud Pública en México, 51 (sup 2), 345-349. Documento revisado el 5 de enero de 2011 de la página https://siid.insp.mx/textos/com-3084126.pdf.
35. http://www.telediario.mx/node/101954.