Literary review of algorithms for segmentation and classification of Artificial Intelligence pathologies applied to breast cancer

According to data, breast cancer is a significant health issue and has a considerable economic impact. This clearly justifies the need for breast cancer screening. However, the current diagnostic process used in clinical settings is prone to errors. Consequently, there is a requirement for a tool that can help doctors categorize mammograms into the four BI-RADS categories. This study presents an approach that uses deep learning. It examines the challenges and difficulties encountered and evaluates and compares its effectiveness. One dataset of mammograms was used, with experts having already classified the radiological images using the BI-RADS guidelines. The images in these datasets belong to categories 1 to 4. The deep learning approach employed in this study is based on a Convolutional Neural Network (CNN), namely a ResNet22. The propose is to use two inputs, one for the Cranio-Caudal (CC) view and another for the Medio-Lateral Oblique (MLO) view. Each input comprises a mammogram image and two heatmaps. Consequently, we have named the architecture MammoHeatNet (MHN). The algorithm initially processes the mammogram image by cropping it, extracting optimal centers, and obtaining the heatmaps. Once the pre-processing is complete, the inputs are fed into the model, which then classifies them into four BI-RADS categories. To obtain the best model, various parameter configurations have been tested. The ultimate model attained a maximum accuracy of 74.19%. The process of training and testing the model was time-intensive, requiring 150 hours to obtain the best possible model. In conclusion, the deep learning model used in this study achieve good performance. However, with the incorporation of a larger dataset for train it and various modifications to the model, even better results could be achieved. The main contribution of this work is the implementation of a deep neuronal network that process the images like a human specialist would do it, using to views of the same ma
Segons les dades, el càncer de mama és un important problema de salut i té un considerable impacte econòmic. Això justifica clarament la necessitat de realitzar revisions de càncer de mama. No obstant, el procés diagnòstic actual utilitzat en entorns clínics té tendència a cometre errors. En conseqüència, és necessari disposar d'una eina que pugui ajudar els metges a classificar les mamografies en les quatre categories BI-RADS. Aquest estudi presenta una enfocament que utilitza el "deep learning". S'examinen els desafiaments i dificultats trobades, i s'avalua i compara la seva eficàcia. S'utilitza un conjunt de dades de mamografies, amb experts que ja han classificat les imatges radiològiques utilitzant les directrius BI-RADS. Les imatges d'aquests conjunts de dades pertanyen a les categories 1 a 4. L’algoritme de "deep learning" utilitzat en aquest estudi es basa en una Xarxa Neuronal Convolucional (CNN), concretament un ResNet22. La proposta és utilitzar dues entrades, una per a la vista Cranio-Caudal (CC) i una altra per a la vista Medio-Lateral Oblique (MLO). Cada entrada comprèn una imatge de mamografia i dues "heatmaps". Per tant, s'ha nomenat a l'arquitectura MammoHeatNet (MHN). L'algoritme processa inicialment la imatge de mamografia, retallant-la, extraient centres òptims i obtenint les "heatmaps". Una vegada que el pre-processament està complet, les entrades es duen al model, que les classifica en les quatre categories BI-RADS. Per obtenir el millor model, s'han provat diverses configuracions de paràmetres. El model final assolit va obtenir una precisió màxima del 74.19%. El procés d'entrenament i prova del model va requerir molt de temps, amb un total de 150 hores per obtenir el millor model possible. En conclusió, el model de "deep learning" utilitzat en aquest estudi aconsegueix un bon rendiment. No obstant, amb la incorporació d'un conjunt de dades més gran per a l'entrenament i diverses modificacions al model, es podrien obtenir resultats encara millo
Según los datos, el cáncer de mama es un problema de salud significativo y tiene un impacto económico considerable. Esto justifica claramente la necesidad de realizar revisiones de cáncer de mama. Sin embargo, el proceso diagnóstico actual utilizado en entornos clínicos tiende a cometer errores. En consecuencia, es necesario disponer de una herramienta que pueda ayudar a los médicos a clasificar las mamografías en las cuatro categorías BI-RADS. Este estudio presenta un enfoque que utiliza el "deep learning". Se examinan los desafíos y dificultades encontradas, y se evalúa y compara su eficacia. Se utiliza un conjunto de datos de mamografías, con expertos que ya han clasificado las imágenes radiológicas utilizando las directrices BI-RADS. Las imágenes de estos conjuntos de datos pertenecen a las categorías 1 a 4. El algoritmo de "deep learning" empleado en este estudio se basa en una Red Neuronal Convolucional (CNN), concretamente un ResNet22. La propuesta es utilizar dos entradas, una para la vista Cranio-Caudal (CC) y otra para la vista Medio-Lateral Oblicua (MLO). Cada entrada comprende una imagen de mamografía y dos "heatmaps". Por tanto, se ha nombrado a la arquitectura MammoHeatNet (MHN). El algoritmo procesa inicialmente la imagen de mamografía, recortándola, extrayendo centros óptimos y obteniendo las "heatmaps". Una vez que el preprocesamiento está completo, las entradas se entran al modelo, que las clasifica en las cuatro categorías BI-RADS. Para obtener el mejor modelo, se han probado varias configuraciones de parámetros. El modelo final alcanzó una precisión máxima del 74,19%. El proceso de entrenamiento y prueba del modelo requirió mucho tiempo, con un total de 150 horas para obtener el mejor modelo posible. En conclusión, el modelo de "deep learning" utilizado en este estudio logra un buen rendimiento. Sin embargo, con la incorporación de un conjunto de datos más grande para el entrenamiento y diversas modificaciones al modelo, se podrían obtener result