Síntesis de imágenes de mama con Deep Learning para la ayuda al diagnóstico de cáncer

Abstract

El cáncer de mama es una de las principales causas de muerte en mujeres en el mundo, por lo que su detección de forma temprana se ha convertido en una prioridad para salvar vidas. Para el diagnóstico de este tipo de cáncer existen técnicas instrumentales como la mamografía y la resonancia magnética contrastada (DCE-MRI). La resonancia magnética usa un medio de contraste que permite realzar anomalías en el tejido de la mama y apoya la detección y caracterización de tumores que pueden estar asociados al desarrollo de cáncer. Generalmente, los estudios que requieren el uso de medios contrastados se emplean en mujeres que tienen una alta probabilidad de desarrollar cáncer de mama o en aquellas en las que otros métodos no son concluyentes, esto se debe a las limitaciones que presenta, entre las que se encuentra el alto costo que de estos exámenes y la poca disponibilidad de personal y equipos para realizarlos. También, se ha encontrado que los medios de contraste pueden generar efectos adversos por reacciones alérgicas, además, algunos estudios han mostrado rastros de los medios de contraste alojados en la base del cerebro, cuando su uso es constante. Considerando lo anterior, este trabajo propone un modelo basado en aprendizaje profundo, que considerando las regiones de realce de contraste, genera imágenes sintéticas de DCE-MRI postcontraste a partir de imágenes precontraste, lo que puede apoyar la disminución del uso de medios contrastados en los exámenes diagnósticos de cáncer de mama. Para evaluar la eficacia del modelo propuesto se usaron las métricas de evaluación comúnmente usadas en el estado del arte (PSNR, SSIM, y MAE). Los resultados obtenidos evidencian que el modelo preserva la mayor similitud entre métricas basadas en píxeles para las imágenes sintéticas y las imágenes reales en comparación con los modelos evaluados de base en el estado del arte.