El presente proyecto plantea la realización de un sistema CAD para el diagnóstico del cáncer de mama utilizando mamografías, centrándonos en masas.
Creemos que la propuesta está justificada dado que el cáncer de mama es el tipo de cáncer más frecuente en la población femenina española y está constatado que su diagnóstico precoz aumenta de forma significativa las tasas de supervivencia a varios años. También debemos considerar que la implantación de programas de screening ha aumentado de forma importante la carga de trabajo de los radiólogos especialistas, lo cual hace aún más interesante y útil un sistema de segunda opinión como el propuesto.

Nuestro sistema aborda el problema desde el punto de vista de la clasificación de patrones, utilizando técnicas de Softcomputing y estadísticas. En concreto, actualmente, hemos desarrollado un sistema de CADx para microcalcificaciones utilizando Análisis en Componentes Independientes (ICA) como extractor de características y como clasificadores Redes Neuronales y Support Vector Machines. Los resultados actuales nos ofrecen 4.01 falsos positivos (FP) ponderados por imagen (2.28 FP por imagen) con una sensibilidad del 90.7 % sobre el subconjunto BCRP_CALC1 de la “Digital Database for Screening Mammography” (DDSM).
A pesar de la existencia de sistemas comerciales, los resultados de éstos en la práctica no están suficientemente clarificados, ya que no indican sobre que conjuntos de mamografías se obtienen dichos resultados, unido, además, a la existencia de varios estudios independientes que cuestionan las ventajas de los sistemas CAD, al menos en el estado actual. En cualquier caso, parece evidente que es necesario mejorar el rendimiento, en particular disminuir el número de Falsos Positivos por imagen.

En este sentido, el proyecto que presentamos pretende centrarse en uno de los dos objetivos en los que estamos trabajando: por un lado, mejorar los resultados del sistema de diagnóstico de clusters de microcalcificaciones, y por otro lado, desarrollar un sistema de diagnóstico de masas. Para alcanzar estos objetivos, proponemos la optimización de los clasificadores (especialmente la selección de características) mediante Algoritmos Genéticos, así como la mejora en la selección de prototipos. Además, abordaremos el diagnóstico de masas utilizando técnicas de segmentación de imágenes basadas en modelos deformables, análisis multiresolución e ICA.
Debido a la fuerte carga computacional de estos algoritmos, planteamos el uso de simulación paralela mediante cluster Beowulf, complementada con “Desktop Grid Computing” basado en BOINC, como aplicación de nuestro trabajo previo en este campo.

Aparte del objetivo fundamental, planteamos como objetivo adicional la realización de una herramienta software orientada al uso por parte del radiólogo. Por tanto, diseñaremos un interfaz de usuario adaptado a las necesidades del radiólogo y que en un futuro pueda ser ampliado para integrarlo dentro de la red hospitalaria.