Validación de Software para la detección de regiones anormales en imágenes de mamografía

Cortes Albornoz, Dayana Elena; Pérez Herrera, Karen Alejandra

Publicación:
Validación de Software para la detección de regiones anormales en imágenes de mamografía

dc.contributor.author	Cortes Albornoz, Dayana Elena
dc.contributor.author	Pérez Herrera, Karen Alejandra
dc.date.accessioned	2023-09-25T14:33:02Z
dc.date.available	2023-09-25T14:33:02Z
dc.date.issued	2023
dc.description.abstract	En Colombia, el cáncer de mama es una de las enfermedades con mayor causa de mortalidad en las mujeres (Briceño-Morales et al., 2021), siendo la imagen de mamografía uno de métodos de diagnóstico clínico más usado. Para esto, la imagen debe ser evaluada por radiólogos expertos (dos lecturas independientes), quienes se basan en la escala clasificación BI RADS (del inglés: Breast Imaging Reporting and Data System ) para hacer el análisis (Nuche Berenguer & Sakellariou, 2019). En el año 2020, la Ingeniera Biomédica Jesica Talero, de la Universidad ECCI, desarrollo un software que, basado en un detector de objetos en cascada, analiza imágenes de mamografía y señala regiones, que indicarían la presencia de cáncer. Este software podría ser una herramienta de apoyo para el radiólogo experto utilizándolo como segundo concepto de lectura. El software fue entrenado con imágenes de mamografía, de un repositorio internacional de uso libre, las cuales presentan defectos tales como: etiquetas, manchas y calidad de la imagen. Para determinar si el software desarrollado puede ser una herramienta valida de apoyo para los expertos clínicos, en este trabajo se realizó una validación preliminar , utilizando imágenes de mamografía de un repositorio local. Inicialmente se efectuó preprocesamiento y procesamiento de las imágenes para clasificarlas como "normales" o "sospechosas" y se recopiló la información en una base de datos. Para encontrar y analizar los resultados se desarrolló una matriz de confusión y se evaluó: precisión, sensibilidad, exactitud y especificad. También se efectuó análisis grafico de la relación con la densidad mamaria por cada proyección de las imágenes, con la base de datos de clasificación del software y el concepto de los expertos radiólogos para cada una de las mamografías según escala BI-RADS. Con el modelo de matriz de confusión se observó que el software tiene una precisión del 73% y una sensibilidad baja, que corresponde al 1%; en las gráficas, la densidad mamaria B es la clasificación más frecuente en las proyecciones de mamografía, tanto en las imágenes clasificadas como normales y anormales por el software.	spa
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero en Biomédica	spa
dc.description.program	Ingeniería Biomédica	spa
dc.description.tableofcontents	Planteamiento del Problema 12 2.1 Descripción del problema. 12 2.1.1 Formulación del problema. 14 Justificación15 Objetivos17 4.1 General 17 4.2 Específicos 17 Antecedentes.19 Marco Teórico.20 6.1 Anatomía de la Mama. 20 6.1.1 Densidad mamaria . 21 6.1.2 Cáncer de mama. 23 6.1.3 Estadificación del cáncer de mama. 23 6.1.4 Tipos de cáncer de mama. 24 6.1.5 Exámenes diagnósticos para el cáncer de mama . 24 6.1.6 Imagen diagnosticas del cáncer de mama 25 6.2 Desarrollo de software 26 6.2.1 Metodología del Desarrollo de software (SCRUM) 26 5 6.3 Validación de software y objetivos de la validación 27 6.3.1Pruebas de software 28 6.3.2 Pruebas unitarias 28 6.3.3 Pruebas de integración . 28 6.3.4 Pruebas de sistema . 28 6.3.5 Pruebas de funcionales. 29 Metodología. 30 7.1.2 Requerimientos de usuario. 32 7.1.3 Requerimientos de Procesamiento de imagen mamográfica para validar el software. 33 7.2 Base de datos imágenes de mamografía para la validación de software 33 7.3 Procesamiento de imágenes de mamografía y recopilación base de datos. 34 7.4 Matriz de confusión 34 Resultados 37 8.1 Programa de preprocesamiento de las imágenes según requerimientos. 37 8.3 Procesamiento de imágenes de mamografía y recopilación base de datos. 40 8.4 Análisis estadístico 41 8.4.1 Clasificación experto 1 y 2 BI-RADS numérica y densidad. 41 8.4.2 Comparación enfocada en la densidad según la opinión de experto y clasificación de software. 42 6 8.5Análisis Resultados de la Matriz de confusión .51 Conclusiones.58 Bibliografía.60 ANEXOS	spa
dc.format.extent	77 p.	spa
dc.format.mimetype	application/pdf	spa
dc.identifier.uri	https://repositorio.ecci.edu.co/handle/001/3626
dc.language.iso	spa	spa
dc.publisher	Universidad ECCI	spa
dc.publisher.faculty	Facultad de Ingenierías	spa
dc.publisher.place	Colombia	spa
dc.relation.references	Alejo-Martínez, H., Arciniegas-Alvarez, M., Alejo-Martínez, H., Wiesner-Ceballos, C., Andrés Arciniegas-Álvarez, M., Poveda-Suárez, C. A., Puerto-Jiménez, D. N., Ardila-Hernández, I. T., & Cotes-Millán, J. A. (2013). La calidad de la mamografía en Colombia: análisis de un estudio piloto. In Anales de Radiología México (Vol. 3). https://www.researchgate.net/publication/257625762	spa
dc.relation.references	Abbas, Q. (2016). DeepCAD: A Computer-Aided Diagnosis System for Mammographic Masses Using Deep Invariant Features. Computers , 1-15. DOI: 10.3390/computers5040028.	spa
dc.relation.references	Alomaim, W., O’Leary, D., Ryan, J., Rainford, L., Evanoff, M., & Foley, S. (2019). Variability of Breast Density Classification Between US and UK Radiologists. Journal of Medical Imaging and Radiation Sciences, 50(1), 53–61. https://doi.org/10.1016/j.jmir.2018.11.002	spa
dc.relation.references	Anand Nayyar. (2019). Instant Approach to Software Testing Principles, Applications, Techniques, and Practices (English Edition) (India:BPB PUBN, Ed.).	spa
dc.relation.references	Arnold, M., Morgan, E., Rumgay, H., Mafra, A., Singh, D., Laversanne, M., Vignat, J., Gralow, J. R., Cardoso, F., Siesling, S., & Soerjomataram, I. (2022). Current and future burden of breast cancer: Global statistics for 2020 and 2040. Breast, 66, 15–23. https://doi.org/10.1016/j.breast.2022.08.010	spa
dc.relation.references	Briceño-Morales, X., Sánchez-Castillo, O., Velasquez, J. C., Bonilla Gonzalez, C., Cervera-Bonilla, S., Guzman-Abisaab, L., Bruges, R., Angel-Aristizabal, J., Duarte, C., Lehmann-Mosquera, C., Garcia-Mora, M., Contreras-Mejía, F., Rojas, E., & Diaz Casas, S. E. (2021). Hormonoterapia adyuvante en cáncer de mama. Revisión de la Evidencia y Abordaje Terapéutico en el Instituto Instituto Nacional de Cancerología, Bogotá, Colombia. Revista Colombiana de Cancerología, 25, 130–141. https://doi.org/10.35509/01239015.746	spa
dc.relation.references	Bryan Molina Montero, H. V. C. D. C. (2018). Metodologías Ágiles Frente a Las Tradicionales En El Proceso de Desarrollo de Software. Espirales Revista Multidisciplinaria de Investigación. https://doi.org/DOI: 10.31876/re.v2i17.269	spa
dc.relation.references	Conti, A., Duggento, A., Indovina, I., Guerrisi, M., & Toschi, N. (2021). Radiomics in breast cancer classification and prediction. In Seminars in Cancer Biology (Vol. 72, pp. 238–250). Academic Press. https://doi.org/10.1016/j.semcancer.2020.04.002	spa
dc.relation.references	Díaz, O., Rodríguez-Ruiz, A., Gubern-Mérida, A., Martí, R., & Chevalier, M. (2021). Are artificial intelligence systems useful in breast cancer screening programmes? Radiología (English Edition), 63(3), 236–244. https://doi.org/10.1016/J.RXENG.2020.11.005	spa
dc.relation.references	Duarte, C., Salazar, A., Strasser-Weippl, K., de Vries, E., Wiesner, C., Arango-Gutiérrez, A., Krush, L., & Goss, P. E. (2021). Breast cancer in Colombia: a growing challenge for the healthcare system. In Breast Cancer Research and Treatment (Vol. 186, Issue 1, pp. 15–24). Springer. https://doi.org/10.1007/s10549-020-06091-6	spa
dc.relation.references	Fernández, J. Á., Palacios Ozores, P., Cebey López, V., Mosquera, A. C., & López López, R. (2021). Cáncer de mama. In Medicine (Vol. 13, Issue 27). Jesica Liceth Talero Maldonado. (2020). DETECCIÓN DE REGIONES ANORMALES EN IMÁGENES DE MAMOGRAFÍA UTILIZANDO UN DETECTOR DE OBJETOS EN CASCADA. Universidad ECCI.	spa
dc.relation.references	J Suckling et al (1994): The Mammographic Image Analysis Society Digital Mammogram Database Exerpta Medica. International Congress Series 1069 pp375-378.	spa
dc.relation.references	Hasan, S., Sagheer, A. M., Hasan Abdulla, S., Sagheer, A. M., & Veisi, H. (2021). Breast Cancer Classification Using Machine Learning Techniques: A Review End to End Secure Chatting Application View project COVID-19 + Information Technology + Scientific Research View project Breast Cancer Classification Using Machine Learning Techniques: A Review. In Article in Turkish Journal of Computer and Mathematics Education (Vol. 12, Issue 14).	spa
dc.relation.references	Heang-Ping Chan, Ravi K. Samala, & Lubomir M. Hadjiiski. (2019). CAD and AI for breast cancer— recent development and challenges. Karol Julieth García Julián David Ocampo María del Pilar Pardo Tatiana Aguilar Carlos Alberto Ruiz	spa
dc.relation.references	Andrés Castaño. (2021). Calidad de las imágenes, la lectura y el servicio de mamografía en cuatro centros de imagenología de Manizales, Colombia. Biomédica. Kolak, A., Kamińska, M., Sygit, K., Budny, A., Surdyka, D., Kukiełka-Budny, B., & Burdan, F.	spa
dc.relation.references	Kolak, A., Kamińska, M., Sygit, K., Budny, A., Surdyka, D., Kukiełka-Budny, B., & Burdan, F. (2017). Primary and secondary prevention of breast cancer. Annals of Agricultural and Environmental Medicine, 24(4), 549–553. https://doi.org/10.26444/aaem/75943 Kurnia, R., Ferdiana, R., & Wibirama, S. (n.d.). Software Metrics Classification for Agile Scrum Process: A Literature Review.	spa
dc.relation.references	Lehman, C. D., Wellman, R. D., & Buist, D. S. (2015). Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection. JAMA Intern Med, 1828- 1837	spa
dc.relation.references	Moura, D. C., & Guevara López, M. A. (2013). An evaluation of image descriptors combined with clinical data for breast cancer diagnosis. International Journal of Computer Assisted Radiology and Surgery, 8(4), 561–574. https://doi.org/10.1007/s11548-013-0838-2	spa
dc.relation.references	Morales, L. J., Luz, D., & Ojeda, A. (n.d.). VOLUMEN 16 XXVII Verano De la Ciencia Análisis y clasificación de mamografías por escala Birads. www.jóvenesenlaciencia.ugto.mx	spa
dc.relation.references	Mohammad Fahad Ullah. (2019). Breast Cancer: Current Perspectives on the Disease Status. In: Ahmad, A. (eds) Breast Cancer Metastasis and Drug Resistance. . In Advances in Experimental Medicine and Biology (Dr. Aamir Ahmad, Vol. 1152, pp. 51–64). Springer, Cham. Medlen, Kayiba Peggy, Nancy Anne Leahy, Kerry Greene-Donnelly, Howard Bruce Fleishon, and Pablo Jiménez. 2018. “Better Use of Available Radiology Resources for Women’s Health in Latin America and the Caribbean.” Revista Panamericana de Salud Publica/Pan American Journal of Public Health 42. doi: 10.26633/RPSP.2018.115	spa
dc.relation.references	Mejía-Rojas, M. E., Contreras-Rengifo, A., & Hernández-Carrillo, M. (2020). Quality of life in women treated with chemotherapy for breast cancer in Cali. Biomedica, 40(2), 349–361. https://doi.org/10.7705/biomedica.4971	spa
dc.relation.references	Melisa Calvo. (2018). Oncoplastia en cirugia conservadora de la mama. Revista Argentina de Mastología , 37. Milosevic, M., Jankovic, D., Milenkovic, A., & Stojanov, D. (2018). Early diagnosis and detection of breast cancer. Technology and Health Care, 26(4), 729–759. https://doi.org/10.3233/THC181277	spa
dc.relation.references	Masud, M., Eldin Rashed, A. E., & Hossain, M. S. (2022). Convolutional neural network-based models for diagnosis of breast cancer. Neural Computing and Applications, 34(14), 11383– 11394. https://doi.org/10.1007/s00521-020-05394-5	spa
dc.relation.references	Pang, T., Wong, J. H. D., Ng, W. L., & Chan, C. S. (2020). Deep learning radiomics in breast cancer with different modalities: Overview and future. In Expert Systems with Applications (Vol. 158). Elsevier Ltd. https://doi.org/10.1016/j.eswa.2020.113501	spa
dc.relation.references	(PDF) Metodologías ágiles frente a las tradicionales en el proceso de desarrollo de software. (n.d.). Retrieved August 22, 2022, from https://www.researchgate.net/publication/327537074_Metodologias_agiles_frente_a_las_tradicio nales_en_el_proceso_de_desarrollo_de_software	spa
dc.relation.references	Pons-Rodriguez, A., Marzo-Castillejo, M., Cruz-Esteve, I., Galindo-Ortego, G., Hernandez-Leal, M. J., & Rue, M. (2022). Avances hacia el cribado personalizado del cáncer de mama: el papel de la Atención Primaria. Atención Primaria, 54(5), 102288. https://doi.org/10.1016/J.APRIM.2022.102288	spa
dc.relation.references	Pruebas de integración: ¿Adiós a la pirámide de pruebas? - Alex Andrade. (n.d.). Retrieved August 22, 2022, from https://alexandrade.net/blog-de-ingenieria-de-software/calidad-desoftware/pruebas-de-integracion-adios-a-la-piramide-de-pruebas/#.%20Yt3ak3bMJD8.	spa
dc.relation.references	Peña-García Y, Maceo-González M, Ávila-Céspedes D, Utria-Velázquez L, Más-López Y. Factores de riesgo para padecer cáncer de mama en la población femenina. Revista Finlay [revista en Internet]. 2017 [citado 2023 Jun 25]; 7(4):[aprox. 6 p.]. Disponible en: https://revfinlay.sld.cu/index.php/finlay/article/view/536	spa
dc.relation.references	Pesce, K., Tajerian, M., Chico, M. J., Swiecicki, M. P., Boietti, B., Frangella, M. J., & Benitez, S. (2020). Interobserver and intraobserver variability in determining breast density according to the fifth edition of the BI-RADS® Atlas. Radiologia, 62(6), 481–486. https://doi.org/10.1016/j.rx.2020.04.006	spa
dc.relation.references	Rodríguez-Garcés, Carlos René, and Geraldo Bladimir Padilla-Fuentes. 2019. “Cáncer Mamario y Cervicouterino: El Problema Del Absentismo Femenino En La Acción Preventiva.” Universidad y Salud 22(1):41–51. doi: 10.22267/rus.202201.173.	spa
dc.relation.references	Magny, S. J., Shikhman, R., & Keppke, A. L. (2022). Breast Imaging Reporting and Data System. In StatPearls. StatPearls Publishing	spa
dc.relation.references	Samuel Alfredo López-Rodrígue, V. R. G.-P. (2020). Metodologías de desarrollo de software seguro con propiedades agiles. Polo Conocimiento , 5(10). https://doi.org/10.23857/pc.v5i10.2658	spa
dc.relation.references	Santana, S. R., Antonelli, L., & Thomas, P. (2021). Evaluación de metodologías para la validación de requerimientos. Sesaria Kikitamara, & Anastasia Ary Noviyanti. (n.d.). A Conceptual Model of User Experience in Scrum Practice. Sonia, Alumna, Raquel Santana, and Mg Pablo Thomas. n.d. “Un Análisis de Enfoques de Validación de Requerimientos.”	spa
dc.relation.references	Sha, Z., Hu, L., & Rouyendegh, B. D. (2020). Deep learning and optimization algorithms for automatic breast cancer detection. International Journal of Imaging Systems and Technology, 30(2), 495–506. https://doi.org/10.1002/ima.22400	spa
dc.relation.references	Spak, D. A., Plaxco, J. S., Santiago, L., Dryden, M. J., & Dogan, B. E. (2017). BI-RADS® fifth edition: A summary of changes. In Diagnostic and Interventional Imaging (Vol. 98, Issue 3, pp. 179–190). Elsevier Masson SAS. https://doi.org/10.1016/j.diii.2017.01.001	spa
dc.relation.references	Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F. (2021). Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians, 71(3), 209–249. https://doi.org/10.3322/caac.21660	spa
dc.relation.references	Sweeney, R. J. I., Lewis, S. J., Hogg, P., & McEntee, M. F. (2018). A review of mammographic positioning image quality criteria for the craniocaudal projection. In British Journal of Radiology (Vol. 91, Issue 1082). British Institute of Radiology. https://doi.org/10.1259/bjr.20170611	spa
dc.relation.references	Vinicio Estrada-Velasco, M. I., Alexandra Núñez-Villacis, J. I., Pedro Rubén Saltos-Chávez III, & Clemente Cunuhay-Cuchipe, W. I. (2021). Revisión Sistemática de la Metodología Scrum para el Desarrollo de Software Revisión Sistemática de la Metodología Scrum para el Desarrollo de Software Systematic review of the SCRUM methodology for software development Revisão Sistemática da Metodologia Scrum para Desenvolvimento de Software. 7, 434–447. https://doi.org/10.23857/dc.v7i4.2429	spa
dc.relation.references	Torra, A. E. M. (2017). Sistemas de Ayuda a la Decisión Clínica en Enfermedades de Diagnóstico ComplejoAna Eddy Monsalve Torra	spa
dc.relation.references	Tipos de pruebas de software: diferencias y ejemplos - LoadView. (n.d.). Retrieved August 22, 2022, from https://www.loadview-testing.com/es/blog/tipos-de-pruebas-de-software-diferencias-yejemplos/	spa
dc.relation.references	Villavicencio-Romero, María E., Gregorio A. Moreno-Daza, Gabriel E. Ordóñez-Andrade, and Lorena M. Paredes Colcha. 2019. “Diagnóstico Por Imágenes de Cáncer de Mamas. Comparación Entre Técnica Ecográfica y Mamografía.” Dominio de Las Ciencias 5(3):647. doi: 10.23857/dc.v5i3.957.	spa
dc.relation.references	Waldman, R. A., Finch, J., Grant-Kels, J. M., Stevenson, C., & Whitaker-Worth, D. (2019). Skin diseases of the breast and nipple: Benign and malignant tumors. In Journal of the American Academy of Dermatology (Vol. 80, Issue 6, pp. 1467–1481). Mosby Inc. https://doi.org/10.1016/j.jaad.2018.08.066	spa
dc.rights	Derechos Reservados - Universidad ECCI, 2023	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.subject.proposal	Mamografía	spa
dc.subject.proposal	Cáncer de mama	spa
dc.subject.proposal	BI-RADS	spa
dc.subject.proposal	Mammography	eng
dc.subject.proposal	Breast cancer	eng
dc.subject.proposal	BI-RADS	eng
dc.title	Validación de Software para la detección de regiones anormales en imágenes de mamografía	spa
dc.type	Trabajo de grado - Pregrado	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	spa
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85	spa
dc.type.content	Text	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa
dc.type.redcol	https://purl.org/redcol/resource_type/TP	spa
dc.type.version	info:eu-repo/semantics/updatedVersion	spa
dspace.entity.type	Publication