Menéndez AR, López-Portilla VB, Duarte TA, Orea CI

Language: Spanish
References: 10
Page: 582-594
PDF size: 261.33 Kb.

ABSTRACT

En este trabajo se presenta una herramienta de Diagnóstico Asistido por Computadora (CAD) para la detección de masas en mamografías digitales. Desarrollada en Matlab, aplica sobre las mamografías distintas técnicas de Procesamiento Digital de Imágenes para detectar la presencia de lesiones y aislarlas del resto de las estructuras propias del seno. Binarización, Labeling, crecimiento de regiones, Filtro Iris, entre otras; dan como resultado una imagen en la que se destaca la anomalía presente, facilitando un diagnóstico libre de errores. Se validaron los resultados mediante el uso de mamografías reales previamente diagnosticadas por especialistas y se obtuvieron valores de efectividad acorde con los esperados. El resultado de esta investigación constituye un aporte al diagnóstico temprano de lesiones mamarias que podrían ser mortales en caso de una tardía detección; así como una herramienta útil para el entrenamiento de médicos radiólogos en fase de aprendizaje.

REFERENCES

1. Gonzalez R, Woods R. Digital Image Processing. Ed. Prentice Hall, New Jersey, 2002.

2. González R. Digital Image Processing using Matlab. Ed. Prentice Hall, New Jersey, 2004.

3. Rodríguez R. Desarrollo de un sistema CAD para detectar y clasificar lesiones mamarias presentes en mamografías digitales. Tesis de Grado, Universidad Simón Bolívar, Sartenejas, 2009.

4. Otsu N. A threshold selection method from gray-level histogram, IEEE Transactions on Systems. Man and Cybernetycs, Vol. 9, No.1, pp. 62-66, 1979.

5. Nagi J, Kareem S, Nagi F, Khaleel S. Automated Breast Profile Segmentation for ROI Detection Using Digital Mammograms. IEEE EMBS Conference on Biomedical Engineering & Sciences, pp 87-92, 2010.

6. Raba D, Martí O, Peracaula J, Espunya J. Breast segmentation with pectoral muscle suppression on digital mammograms. Pattern Recognition and Image Analysis, pp. 471-478, 2005.

7. Alfaro A, Mendoza I. Diseño de un Algoritmo de Segmentación de imágenes aplicando el Funcional de MumfordShah para mejorar el desempeño de los algoritmos clásicos de segmentación. Tesis de Grado, Universidad Nacional de Trujillo, 2006.

8. Adams R, Bischof L. Seeded region growing, Pattern Analysis and Machine Intelligence. IEEE Transactions DE, 16(6), pp. 641-647, 1994.

9. Kobatake H, Murakadami M. Adaptive filter to detect rounded convex regions: Iris filter, Pattern Recognition. Proceedings of the 13th International Conference on Vol 2., pp. 340-344, 1996.

10. Gutierrez L, Alvarez S. Algorithm to enhance low contrast features in digital mammograms. Journal of X-ray Science and Technology, Vol.12, No.3.