Segmentación de microcalcificaciones en mamografías mediante técnicas avanzadas de procesamiento de imágenes y aprendizaje profundo.
Contexto del tema: La detección temprana de microcalcificaciones en mamografías es una parte fundamental de la prevención y el diagnóstico del cáncer de mama, el cual es una de las principales causas de muerte en mujeres a nivel mundial. La segmentación precisa de microcalcificaciones en mamografías es esencial para ayudar a los radiólogos a identificar áreas sospechosas y tomar decisiones clínicas informadas. Esta tesis se enfoca en el desarrollo y la evaluación de algoritmos de segmentación avanzados para lograr una identificación precisa y una delimitación detallada de las microcalcificaciones en imágenes mamográficas. El objetivo principal de esta investigación es diseñar, implementar y evaluar algoritmos de segmentación de microcalcificaciones que utilicen técnicas avanzadas de procesamiento de imágenes y aprendizaje profundo. Estos algoritmos permitirán una segmentación precisa de las microcalcificaciones, lo que, a su vez, mejorará la detección temprana y el diagnóstico preciso del cáncer de mama. Se espera que esta investigación proporcione algoritmos de segmentación de microcalcificaciones altamente precisos y efectivos que puedan integrarse en aplicaciones clínicas para mejorar la detección temprana y el diagnóstico del cáncer de mama. Los resultados de esta tesis pueden tener un impacto significativo en la atención médica al mejorar la precisión en la identificación de microcalcificaciones en mamografías, lo que a su vez puede llevar a un diagnóstico más temprano y tratamientos más efectivos para el cáncer de mama. La tecnología desarrollada podría aplicarse en entornos clínicos reales para beneficiar a las pacientes y mejorar la calidad de la atención médica en esta área crítica de la salud de la mujer.
Lista de actividades a realizar:
- Recopilación de Datos: Se recopilarán conjuntos de datos de mamografías de diversas poblaciones, teniendo en cuenta factores demográficos como la edad, el origen étnico y la historia clínica de los pacientes. Además, se considerarán imágenes de mamografías tomadas con diferentes sistemas de adquisición.
- Entrenamiento de Modelos de IA: Se emplearán redes neuronales convolucionales (CNNs) u otros modelos de IA para la detección de microcalcificaciones. Estos modelos se entrenarán utilizando los conjuntos de datos recopilados, y se ajustarán de acuerdo con las particularidades de cada grupo demográfico y sistema de mamografía.
- Evaluación de Desempeño: Se realizará una evaluación exhaustiva del desempeño de los modelos de IA en cada subgrupo demográfico y sistema de mamografía. Esto incluirá métricas de precisión, sensibilidad y especificidad, entre otras. Se compararán los resultados obtenidos para identificar posibles sesgos o limitaciones en la generalización.
- Desarrollo de Estrategias de Adaptación: En función de los resultados de la evaluación, se propondrán estrategias para adaptar los modelos de IA de manera efectiva. Esto podría incluir técnicas de transferencia de aprendizaje, ajuste fino y ajustes en la arquitectura de la red.
Perfil adecuado para el estudiante candidato:
- Conocimientos sólidos en procesamiento de imágenes y Deep Learning.
- Familiaridad con el uso de bibliotecas y herramientas de Deep Learning, como TensorFlow o PyTorch.
- Experiencia en programación y manejo de lenguajes como Python.
- Capacidad para trabajar de manera independiente y seguir un protocolo de investigación.
- Habilidades de análisis y resolución de problemas.
- Interés en el campo de la detección de microcalcificaciones en mamografías y su aplicación en el diagnóstico del cáncer de mama.
Beneficios:
- Proyecto con financiamiento CONAHCyT (financiado al 100 %).
- Desarrollo de habilidades de programación.
- Crédito en productividad científica que se desarrolle.
Profesor a cargo: Dr. Rafael Bayareh Mancilla
Número de alumnos: 3