Determination of Relevant Risk Factors for Breast Cancer Using Feature Selection
doi.org/10.1134/S0361768823080091 ↗Tecnología aplicada al análisis de imágenes mamarias
El procesamiento digital de las imágenes radiográficas requiere de varios algoritmos, algunos en términos de las características de las imágenes y otros en el reconocimiento de patrones. El resultado final del sistema también tiene que estar basado en un análisis de las cuatro imágenes que conforman una mamografía, así como en una valoración de los factores de riesgo.
A continuación se exponen algunos resultados de las pruebas que se han realizado.
Distribución de frecuencias para establecer rangos en lesiones
Este análisis permite resumir grandes conjuntos de datos, identificar valores atípicos y representarlos en una gráfica. El objetivo es aislar los valores de la lesión, es decir, quitar las intensidades de aquellos pixeles que no correspondan a la lesión o calcificación.
En la mamografía de la Figura 1 se pueden observar puntos blancos dentro del recuadro amarillo que representan valores máximos de cada renglón de la imagen, los cuales son puntos de referencia para recorrer el vecindario y delimitar la zona de forma automática.
La imagen representa un recorte de una calcificación en una mamografía, obteniendo:
a)
Recorte sin eliminar los valores distintos de la lesión
b)
Recorte eliminando los valores fuera de la lesión
c)
Histograma de la lesión recortada sin eliminar valores externos
d)
Histograma de los valores de la lesión
Estimación del factor de riesgo
Se realizó un análisis de los factores de riesgo que reporta la literatura para el cáncer de mama y se seleccionaron los que son considerados en México, puesto que algunos estudios son muy costosos y es difícil acceder a ellos. Esta selección fue validada por personal médico de oncología.
En el siguiente artículo científico publicado se describen los factores de riesgo seleccionados relevantes para mujeres mexicanas:
Artículo científico publicado
Referencias
M. F. Triola, Estadísticas, 12a ed., vol. 11, no. 1. Pearson Education, 2018.
IBM, Logistic Regression. ibm.com/docs — SPSS Logistic Regression ↗ Último acceso: 03/11/2021