Detección de tumores mamarios mediante inteligencia artifical usando imágenes de ultrasonido

Abstract

[ES] Hoy en día los médicos radiólogos llegan a analizar una imagen cada 4 segundos para poder cumplir los objetivos de su jornada laboral, lo que puede llevar a una fatiga notable, que hace que el diagnóstico sea más complicado y puedan haber más errores humanos. Por ello, en el presente trabajo final de máster se pretende ayudar a este sector de la medicina con el entrenamiento de modelos de aprendizaje automático partiendo de una base de datos de imágenes de ultrasonidos con distintos tumores, tanto malignos como benignos, y también sin ningún tipo de tumor. Para la detección de anomalías se usará el algoritmo YOLO, debido a su precisión, eficiencia y velocidad, además de la detección en un solo paso, que agiliza el proceso todavía más. Con todo lo mencionado anteriormente, se entrenará este tipo de algoritmo con imágenes de ultrasonidos, las cuales resultan un reto debido a su baja calidad en comparación con imágenes obtenidas en otro tipo de pruebas. Una vez entrenado el modelo, la eficacia de éste se comprobará con imágenes test. Finalmente, para la evaluación del método utilizado se usarán distintas métricas, como sensibilidad, especificidad, valor predictivo positivo (VPP), valor predictivo negativo (VPN) y precisión. Además de la curva ROC y el área bajo dicha curva (AUC).

[EN] Nowadays, radiologists have to analyze an image each 4 seconds in order to meet the objectives of their working day, which can lead to significant fatigue, which makes diagnosis more complicated and can lead to more human errors. Therefore, in this master's thesis we aim to help this sector of medicine with the training of machine learning models based on a database of ultrasound images with different tumors, both malignant and benign, and also without any type of tumor. For anomaly detection, the YOLO algorithm will be used, due to its accuracy, efficiency and speed, in addition to the one-step detection, which speeds up the process even more. With all the above mentioned, this type of algorithm will be trained with ultrasound images, which are a challenge due to their low quality compared to images obtained in other type of tests. Once the model has been trained, its efficiency will be checked with test images. Finally, different metrics, such as sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV) and accuracy, will be used to evaluate the method used. In addition to the ROC curve and the area under the curve (AUC).

[CA] Hui dia els mèdics radiòlegs arriben a analitzar una imatge cada 4 segons per a poder complir els objectius de la seua jornada laboral, la qual cosa pot portar a una fatiga notable, que fa que el diagnòstic siga més complicat i puguen haver-hi més errors humans. Per això, en el present treball final de màster es pretén ajudar a este sector de la medicina amb l'entrenament de models d'aprenentatge automàtic partint d'una base de dades d'imatges d'ultrasons amb diferents tumors, tant malignes com benignes, i també sense cap mena de tumor. Per a la detecció d'anomalies s'usarà l'algorisme YOLO, a causa de la seua precisió, eficiència i velocitat, a més de la detecció en un sol pas, que agilitza el procés encara més. Amb tot l'esmentat anteriorment, s'entrenarà este tipus d'algorisme amb imatges d'ultrasons, les quals resulten un repte degut a la seua baixa qualitat en comparació amb imatges obtingudes en una altra mena de proves. Una vegada entrenat el model, l'eficàcia d'este es comprovarà amb imatges test. Finalment, per a l'avaluació del mètode utilitzat s'usaran diferents mètriques, com a sensibilitat, especificitat, valor predictiu positiu (VPP), valor predictiu negatiu (VPN) i precisió. A més de la corba ROCi l'àrea baix aquesta corba (AUC).