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).