Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Tercera parte. Metodologia
Autor: Dr. Juan José Bedolla Solano | Publicado:  10/02/2012 | Radiodiagnostico y Radioterapia , Articulos , Imagenes de Radiodiagnostico y Radioterapia , Imagenes | |
Sistema automatizado diagnostico lesiones imagenes de mamografias. Tercera parte. Metodologia .6

8. [7]. – Crouse M. S., Nowak R. D. and Baraniuk R.G., 2008. “Wavelet-Based Statistical Signal Processing Using Hidden Markov Models”, IEEE Trans. Signal Proc. 46, PP. 886-902, april 2008.
9. D. Laya, E. Urra, J. Rodríguez, P. Linares, F. Saldivia y A. Reigosa. Diseño de Software para la Estimación de la Relación de Volumen Tumor/Mama a Partir de Mamografía. En Salus, revista de la Facultad de Ciencias de la Salud, Vol. 12 Núm. 3. Universidad de Caraboo, Diciembre de 2008.
10. [2] DDSM: Digital Database for Screening Mammography
http://marathon.csee.usf.edu/Mammography/Database.html
11. Egan R, 1988. Breast Imaging: Diagnosis and Morphology of Breast Diseases. Philadelphia. W.B. Saunders Company.
12. Ferrero G., Britos P., García-Martínez R.. Detection of Breast Lesions in Medical Digital Imaging Using Neural Networks. In IFIP International Federation for Information Processing, Volume 218, Professional Practice in Artificial Intelligence, eds. J. Debenham, (Boston: Springer), pp. 1-10. 2006.
13. González Rafael y Woods Richard, 1992. Digital Image Processing. Ed. Addison-Wesley Publishing Company, USA.
14. Hayken S, 1994. Neural networks: A comprehensive foundation. Nueva York: Macmillan.
15. ICPR 2006. 18th International Conference on Volume 4, Issue, 20-24 Aug. 2006 Page(s): 958 – 958 Digital Object Identifier 10.1109/ICPR.2006.749.
16. I. Anttinen, M. Pamilo, M. Soiva, and M. Roiha. Double reading of mammography screening films: one radiologist or twoClinRadiol, (48):414{421, 1993.
17. INEGI, Anuario Estadístico de los Estados Unidos Mexicanos, eds. 1999-2005.
http://www.inegi.gob.mx/prod_serv/contenidos/espanol/biblioteca/default.asp?c=694.
18. INEGI, 2008. Instituto Nacional de Estadística, Geografía e Informática. Proyecciones de la población con base en el Conteo 2005. México.
19. Lauria A., Palmiero R., Forni G., Cerello P., Golosio B., Fauci F., Magro R., Raso G., Tangaro S., Indovina P. The CALMA System: an artificial neural network for detecting masses and microcalcifications in digitalized mammograms.
20. Levi F, Bosetti C, Lucchini F, Negri E, and La Vecchia C, Monitoring the decrease in breast cancer mortality in Europe. Eur. J. Cancer Prevention 2005, 14(6): 497-502.
21. López Rios O, Lazcano-Ponce E, La epidemia de cáncer de mama en México. ¿Consecuencia de la transición demográfica? Salud Pública Mex. 1997;39(4): 259-265.
22. McPherson K, Steel CM and Dixon JM, Breast cancer – epidemiology, risk factors and genetics. BMJ 2000; 321:624-628.
23. [3] Narváez Espinoza Fabián Rodrigo (Ing), 2010. “Sistema de anotación para el apoyo en el seguimiento y diagnóstico de cáncer de seno”, Bogotá D.C., 26 de marzo de 2010.
24. NOM-041-SSA2-2002, Para la prevención, diagnóstico, tratamiento, control y vigilancia epidemiológica del cáncer de mama. Diario Oficial, 17 septiembre 2003.
25. Oporto A, 2004. Detección Automática de Agrupamientos de Microcalcificaciones en Mamografías Digitalizadas. TESIS. Maestría en Ciencias en Sistemas Inteligentes. Instituto Tecnológico y de Estudios Superiores de Monterrey. Por Samuel Alonso Oporto Díaz. Diciembre 2004.
26. Oporto Díaz Samuel A., Detección de Microcalcificaciones en Imágenes de Mamografías usando Diferencia de Filtros Gaussianos Optimizados. Universidad Nacional de Ingeniería.
27. [4] Oporto Díaz Samuel Alonso, 2007. “Detección automática de agrupamientos de microcalcificaciones en mamografías digitalizadas”. Diciembre 2007.
28. Oporto S. Comparación de Técnicas para el Diagnóstico Automático de Cáncer de Mama. Filtros Gausianos Optimizados y Wavelets. Cursos y recursos de Inteligencia Artificial, Propuesta de Tema de Investigación.
www.wiphala.net/research/proposal/cancer_mama_diagnostico.html. Abril 2008.
29. OMS, 2008. Organización Mundial de la Salud. Cáncer. [Consultado el 25 de octubre de 2008]. Disponible en:
http://www.who.int/mediacentre/factsheets/fs297/es/index.html.
30. Peto R, Borrham J, Clarke M, Davies C, and Beral V, UK and USA breas cancer deaths down 25% in year 2000 at ages 20-69 years. Lancet 2000, 355:1822.
31. Rangayyan R. M, El-Faramawy N. M., Leo Desautels J. E. and Alim O. A., 1997. Measures of acurate and shape for classification of breast tumors. IEEE Transactions on Medical Imaging, 16(6):799-810.
32. R. Campanini, A. Bazzani, A. Bevilacqua, D. Bollini, D.N. Dongiovanni, E. Iampieri, N.Lanconelli, A. Riccardi, M. Rolli, and R. Tazzoli. A novel approach to mass detection in digital mammography based on support vector machines (svm). In Proc. of IWDM2002, pages 399{401, Bremen, Germany, June 22-25, 2002, 2002.
33. [1] Ristori Bogajo Esther, 2007. “Aplicaciones de la segmentación interactiva y el análisis morfométrico de nódulos en mamografía al diagnóstico asistido por ordenador”. Málaga, España. Septiembre de 2007.
34. Rodríguez-Cuevas S, Macías CG, Franceschi D, and Labastida S, Breast carcinoma presents a decade earlier in Mexican Women than in Women in the United Status or European countries. Cáncer 2001; 91(4): 863-868.
35. Rodríguez J. M. Algoritmo de Segmentación de la Imagen para la Detección de Cáncer de Mama. Reporte técnico. Escuela Universitaria Politécnica de Mataró, España, 2004.
36. Sandoval N. Fernando. (2002). Enfoques epistemológicos en la elaboración de diseños de investigación, pp. 90-91. Chilpancingo, Gro. México.
37. Sucar, L. E., Martínez-Arroyo M., Acosta G., Cruz Nicandro. Bayesian Model Combination and Its Application to Cervical Cancer Detection. Book Series Lecture Notes in Computer Science. Publisher Springer Berlin / Heidelberg, ISSN 0302-9743, Subject Computer Science,Volume 4140/2006.
38. Sucar L.E, Montero J.A., 2006. A decision-theoretic assistant based on gesture recognition, 5th Mexican International Conference on Artificial Intelligence, IEEE Computer Society, pp. 78-87.
39. Sucar L.E., Martínez M., 1998. “Interactive Structural Learning of Bayesian Networks", Expert Systems and Applications, Vol. 15, No. 3/4, pp., Pergamon Press.
40. Sucar L.E., Martínez M., 2006. “Learning an optimal naive bayes classifier", International Conference on Pattern Recognition (ICPR), Agosto 2006, Vol. 3, pp. 1236-1239.
41. Sucar L.E., Martínez M, “Aprendizaje de clasificadores bayesianos dinámicos” Open Discusión Track Proceedings. IBERAMIA 2002, VIII Iberoamerican Conference on Artificial Intelligence. Sevilla España. Nov. 12-15 2002 Ed. F. Garijo, J.C. Riquelme, M. Toro.
42. Sucar L.E., Martínez M. Learning an Optimal Naive Bayes Classifier. 36° Congreso de Investigación y Desarrollo del Tecnológico de Monterrey, congreso CIDTEC" 2006. Enero de 2006.
43. Velásquez, M. G. Business Ethics Concepts and Cases. (1992) (3rd. ed). New Jersey: Prentice Hall.
44. Zhang W., Doi K., Giger M. L., Nishikawa R. M., and Schmidt R. A., An improved Shift-Invariant Artificial Neural Network for Computerized Detection of Clustered Microcalcifications in Digital Mammograms Med. Phys., vol. 23, pp. 595{601, 1996.
45. http://images.google. com.mx /images?gbv=2& hl=es &q= cancer +de+ mama &sa=N& start=18&ndsp=18
46. http://images. google.com .mx/imgres ?imgurl =http:/ /journal mex.files. wordpress .com/ 2009/06/ cance rmama .jpg&imgrefurl= http://journalmex. wordpress.com/ 2009/06/25  /nuevas -esperanzas -a- pacientes -con- cancer -de- mama - avanzado
47. http://es.wikipedia.org/wiki/C%C3%A1ncer_de_mama
48. http://www.elmundo.es/elmundosalud/especiales/cancer/mama.html
49. http://www.nlm.nih.gov/medlineplus/spanish/ency/article/000913.htm
50. http://www.infocancer.org.mx/cancer-de-mama
51. http://www.cancermama.com.mx/QueEsRV/CancerMama/default_ES.htm

Otras partes de este trabajo
Este trabajo consta de distintas partes. A continuación se listan todas:
  1. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Primera parte. Generalidades
  2. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Segunda parte. Situacion referencial
  3. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Tercera parte. Metodologia

Revista Electronica de PortalesMedicos.com
INICIO - NOVEDADES - ÚLTIMO NÚMERO - ESPECIALIDADES - INFORMACIÓN AUTORES
© PortalesMedicos, S.L.
PortadaAcerca deAviso LegalPolítica de PrivacidadCookiesPublicidadContactar