Predicción de tumores benignos o malignos a través de un modelo de selección de características

Resumen

El cáncer de mama es una de las principales causas de letalidad entre la población femenina. El análisis de características en una mamografía ayuda en parte a predecir el riesgo de cáncer de mama. Por ejemplo, la densidad de masas (o lesiones) se correlaciona con los tumores, para esto, la segmentación de tumores en imágenes médicas proporciona datos que se pueden obtener, y utilizar como indicador para la clasificación de lesiones (benignas / malignas). En este trabajo propone, un modelo de clasificación de lesiones (tumores), basado en la extracción de características a través de la región de interés (ROI), en conjunto con un modelo de regresión múltiple para la clasificación. La Textura, forma, color y descriptores estadísticos de características se utilizan para obtener información de imágenes. Estas características se evalúan para reducir las características utilizando un modelo de selección de características. Posteriormente se realiza una evaluación en términos del área bajo la curva (AUC), cuyo resultado proporcionó un máximo de 0.9263 para la clasificación de tumores.

Palabras clave: Cáncer de mama, Selección de Características, Curvas ROC.

Breast cancer is one of the leading causes of death in women. The features that are taken from mammograms can help in partly to predict the risk of breast cancer. For example, the density of masses (lesions) is correlated with tumors, for this reason, the segmentation of tumors on medical images provide data that can be obtained and used as an indicator for the classification of lesions (benign/malignant). In this work, a classification model of lesions (tumors) is proposed, based on the extraction of features of the region of interest (ROI), using a multiple regression model to classify them. Texture, shape, color and statistical feature descriptors are used to obtain image information. These features are evaluated to reduce the model using feature selection techniques. After the selection of features, an evaluation was made in terms of the area under the curve (AUC), obtaining a maximum of 0.9263 for the classification of tumors.

Keywords: Breast cancer, Selection Features, Curves ROC.