Mejorando el Proceso de Ayres para la Detección de la Distorsión Arquitectural en Mamogramas

La alta incidencia de cáncer de mama en las mujeres se ha incrementado significativamente en las últimas décadas. La mamografía es el método más utilizado por los centros de salud para su detección. La distorsión arquitectural es una de las lesiones que se presentan con mayor frecuencia y es a la vez una de las más difíciles de detectar por los radiólogos.

Mejorando el Proceso de Ayres para la Detección de la Distorsión Arquitectural en Mamogramas

José Antonio Montero (1), Miriam Martínez (2), Eduardo Gámez (3), Juan M. Hernández (4)

1. Doctor en Ciencias Computacionales, Instituto Tecnológico de Acapulco, Depto. de Sistemas y Computación.
2. Doctora en Ciencias Computacionales, Instituto Tecnológico de Acapulco, Depto. de Sistemas y Computación.
3. Doctor en Ciencias Computacionales, Instituto Tecnológico de Acapulco, Depto. de Sistemas y Computación.
4. Maestro en Ciencias Computacionales, Instituto Tecnológico de Acapulco, Depto. de Sistemas y Computación.

Resumen

Los diagnósticos asistidos por computadora (DACs) surgen como una alternativa para apoyar el trabajo de los radiólogos en el diagnóstico de esta lesión.

Actualmente existen pocos sistemas DACs enfocados a la detección de la distorsión arquitectural a partir del análisis de mamogramas digitales. Uno de estos sistemas se basa en la metodología propuesta por Ayres y Rangayaan. Sin embargo, el tiempo de respuesta que ofrece desde la selección del mamograma digitalizado, es aproximadamente de 70 minutos. Este tiempo resulta generalmente mayor al utilizado por un radiólogo humano. En este trabajo se presenta una mejora a la metodología de Ayres y Rangayaan al reducir el tiempo de procesamiento a 3 minutos. Esta reducción se logra al aplicar un esquema de programación paralela al proceso de detección.

Palabras clave. Procesamiento de imágenes, aprendizaje automático, diagnóstico asistido por computadora, selección de características, procesamiento paralelo.

1. Introducción

De acuerdo con datos proporcionados por la Secretaría de Salud en México, el cáncer de mama es la principal causa de mortalidad entre todos los cánceres para las mujeres. Asimismo, menciona que una de cada ocho mujeres está propensa a desarrollar esta enfermedad durante su vida (Brandan y otros, 2012). Actualmente el uso de la mamografía de Rayos-X es el método más utilizado en las instituciones de salud para detectar esta enfermedad en su etapa temprana. Si el tratamiento es oportuno, el número de muertes por esta causa puede ser reducido al menos en un 30%.

Sin embargo, debido a varios factores, tales como la experiencia del radiólogo y la calidad en la imagen observada dan como resultado, en ocasiones, un diagnóstico poco confiable. En este sentido y con el fin de apoyar el trabajo de los radiólogos se han diseñado sistemas de diagnóstico asistido por computadora (DAC) los cuales tiene como objetivo mejorar la calidad de la imagen y mostrar regiones de interés en un mamograma. Existen básicamente tres tipos de lesiones que se pueden encontrar en la mama: microcalcificaciones, masas y distorsión arquitectural. Aunque la distorsión arquitectural es la lesión que se presenta en menor proporción es una de las más difíciles de detectar debido a sus características (American College of Radiology, 1998).

Las técnicas empleadas en sistemas DAC han demostrado un rendimiento satisfactorio en la detección de masas y microcalcificaciones, pero han fallado en la detección de la distorsión arquitectural (Baker et al, 2003). Los sistemas DACs aplicados para detectar esta lesión tratan de ubicar regiones de interés en un mamograma analizando la orientación en la textura del tejido mamario en busca de anormalidades o cambios sutiles aplicando diferentes métodos cuya complejidad revisten un gran esfuerzo computacional (Amit et al, 2012-Ayres et al, 2010).

Algunas técnicas aplicadas para este fin son obtenidas del procesamiento de imágenes (análisis de fractales (Anguiano et al, 1993), análisis de textura (Haralick, 1979), modelado de fase en el dominio de la frecuencia y filtros de Gabor (Rangayyan and Ayres, 2006), entre otras) y reconocimiento de patrones (Ayres et al, 2005), incluyendo las redes neuronales artificiales y las máquinas de vectores soporte (Vapnik, 1998). Ayres y Rangayyan (2005, 2006) obtuvieron resultados con una confiabilidad del 84% en la detección de la distorsión arquitectural. Ichikawa y otros (2004) aplicaron discriminante de análisis y un conjunto de nueve características para caracterizar esta lesión, obteniendo en sus resultados una sensitividad del 68%. Por su parte, Guo y otros caracterizaron la distorsión arquitectural aplicando la técnica de dimensión fractal de Hausdorf y MVS obteniendo una precisión en la clasificación de 72.5%. En este sentido, Sampat y Bovick (2003) reportaron haber alcanzado una sensitividad en la detección de la distorsión arquitectural de 91%. Asimismo, Osekes y otros (2005) reportaron haber obtenido una sensitividad de 89.2% aplicando varias medidas de distancia y umbralización. Baker y otros (2012) realizaron el análisis de 2 sistemas DACs comerciales enfocados a detectar la distorsión arquitectural, y las sensitividades alcanzadas por los mismos resultaron ser menores al 50%.

Consideramos que estos trabajos resultan de gran utilidad para apoyar el trabajo de los radiólogos si ofrecen una tasa elevada de aciertos (sensitividad mayor al 80%) y un tiempo de respuesta apropiado (menor al empleado por un radiólogo humano). En este sentido, la propuesta ofrecida por Ayres y Rangayyan ( 2006) para detectar la distorsión arquitectural nos parece una opción interesante, ya que además de ofrecer una descripción clara de su metodología, reportan las características del equipo utilizado en sus pruebas, así como el tiempo en que se obtiene la respuesta (aproximadamente 70 minutos).

Sin embargo, si se pretende aplicar esta metodología hay que disminuir el tiempo en obtener la respuesta. De esta manera, en este trabajo se realiza una mejora a la propuesta de Ayres y