Selección objetiva de secuencias de resonancia magnética relevantes para el diagnóstico de cáncer de mama utilizando MKL y SWM

Abstract

El cáncer de mama es el segundo más común entre todos los tipos de cáncer, y es también el más diagnosticado en mujeres, tanto en países desarrollados como en países en vías de desarrollo. En Colombia, el número de casos nuevos se incrementa sustancialmente cada año, y en muchas ocasiones sólo logra ser detectado en estados avanzados de desarrollo. Debido a la gran importancia que ha adquirido el estudio del cáncer de mama, se han propuesto diferentes métodos de tamizaje por medio de imágenes diagnósticas, que permiten detectar y estudiar esta enfermedad, siendo las imágenes de resonancia magnética (MRI por las siglas en inglés de Magnetice Resonance Imaging) una de las herramientas más prometedoras en cuanto a la información útil que proporcionan para realizar diagnósticos precisos y confiables. Sin embargo, el uso de MRI encuentra un gran obstáculo para su implementación, al ser más costoso que otros métodos, debido principalmente a la gran cantidad de imágenes agrupadas por secuencias que deben ser adquiridas e interpretadas. En los últimos años, se han desarrollado trabajos que buscan reducir el número de secuencias de MRI que deben ser implementadas para el diagnóstico de cáncer de mama, aunque estos trabajos encuentran un limitante, debido a que son completamente subjetivos y, por lo tanto, están ligados a la apreciación y criterio de los radiólogos especialistas y a los centros médicos en donde han sido realizados. Por otro lado, el uso de sistemas computacionales para apoyar los procesos de diagnóstico ha mostrado ser de gran utilidad en el área médica; además, desde el área de aprendizaje de máquina ha destacado el método de aprendizaje por múltiples kernels (MKL por las siglas en inglés de Múltiple Kernel Learning) debido a que permite integrar múltiples fuentes de información en una sola tarea, mostrando un buen desempeño y resultados fáciles de interpretar. En este proyecto se propone un método basado en el uso de MKL y máquinas de vectores de soporte (SVM por las siglas en inglés de Support Vector Machines), para seleccionar de forma objetiva y automática las secuencias de MRI más relevantes para el diagnóstico de cáncer de mama, mediante la penalización de los pesos asociados a cada una de las matrices kernel que representan las secuencias de MRI. Inicialmente, se generan características perceptuales y radiómicas a partir de cada una de las secuencias de MRI, luego se calculan y sintonizan los kernel s utilizando tres algoritmos diferentes basados en la técnica de escalamiento local. finalmente, La información de los kernels es llevada a una SVM, obteniendo como salida definitiva los pesos entrenados que son empleados como medidas de relevancia de las fuentes de información y las etiquetas predichas para los ejemplos procesados. Los resultados obtenidos demuestran que el método propuesto es estable en cuanto a las fuentes que son seleccionadas como fuentes relevantes, también indican que las fuentes de información correspondientes a las secuencias de Fases 2, 3, 4 y 5 son relevantes para la tarea de clasificación, cuando se diferencian lesiones positivas de negativas en estudios de resonancia magnética de mama. Al comparar el desempeño del método propuesto con dos métodos clásicos de selección de características del estado del arte, teniendo en cuenta que la selección de características es la analogía más próxima a la selección de fuentes, se puede identificar que el método propuesto supera a los métodos evaluados del estado del arte respecto a la selección objetiva y eficaz de las fuentes de información relevantes.