Segmentación y visualización de tumores de cáncer de mama utilizando herramientas de inteligencia artificial

El objetivo de este trabajo fue la segmentación y visualización de los bordes en el cáncer de mama por medio de aprendizaje profundo, comparando distintos métodos de segmentación con su respectiva visualización. La importancia de esta segmentación radica en disminuir la incidencia de enfermedades residuales, causadas por bordes no diseccionados debido a la falta de información de las imágenes durante la planeación quirúrgica. Para la realización de este trabajo de segmentación, se utilizó una base de datos que contenía imágenes de MRI de 64 pacientes, de las cuales se tomaron en cuenta 22 pacientes aleatorias. Estas imágenes se convirtieron de formato, se normalizaron y se realizó la visualización 3D de las mismas utilizando Matlab. Posteriormente se escogió y se implementó el modelo U-NET de segmentación, evaluando su rendimiento según los distintos parámetros. Además, estos resultados se compararon con métodos clásicos de segmentación. La metodología obtuvo un resultado para el modelo U-NET de 78% para la media de intersección de unión y un 100% en precisión para la segmentación, mostrando mejora respecto a los métodos clásicos. Con la metodología implementada fue posible realizar la visualización 3D y 2D de tumores de cáncer de mama con su respectiva segmentación en imágenes de resonancia magnética The objective of this work was edge segmentation and visualization in breast cancer using deep learning techniques. The importance of this segmentation lies in reducing the incidence of residual disease caused by undissected edges due to a lack of image information during surgical planning. There were compared several segmentation methods with their respective visualization. In order to perform this segmentation work, a database containing MRI images of 64 patients was used, from which 22 random patients were taken into account. These images were converted, normalized and 3D visualized using Matlab. Subsequently, the U-NET segmentation model was selected and implemented, evaluating its performance according to the different parameters. In addition, these results were compared with classical segmentation methods. The methodology obtained a result for the U-NET model of 78% for the mean intersection junctional mean and 100% accuracy for segmentation, showing improvement concerning classical methods. With the implemented methodology, it is possible to perform 3D and 2D visualization of breast cancer tumors with their respective segmentation in magnetic resonance images Proyecto de grado (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2023 Pregrado Ingeniero(a) Biomédico(a)