Aunque hoy en día empiezan a popularizarse los mamógrafos digitales, hasta ahora la principal fuente de datos para las tareas de investigación ha sido el escaneado de mamogramas. Los escáneres mamográficos proporcionan un nivel de resolución elevado: tamaños de pixel del orden de decenas de micras y valores de profundidad de gris desde los 11 a los 16 bits (desde 2048 a 65536 niveles de gris). Esto nos puede dar una idea del nivel de precisión con el que podemos trabajar con los mamogramas.

Nuestra propuesta de trabajo se basa en la utilización de la técnica conocida como análisis en componentes independientes (ICA), como un sistema eficiente de extracción de características de la imagen; que posteriormente se utilizarán en un clasificador de tipo neuronal. El análisis en componentes independientes es un nuevo método de extracción de características que a diferencia de los métodos clásicos como pueden ser la varianza o la desviación típica utiliza estadísticos de orden superior. Además, en base a muestras del espacio de datos a representar, es capaz de inferir una base en la que nos permite representar con un determinado número de componentes cualquier imagen (señal) del tipo de datos a representar.

Esta misma tarea es la que llevamos a cabo al descomponer una señal en sus componentes de Fourier o en el mundo del análisis multiresolución, al realizar una descomposición en wavelets. Pero existen diferencias significativas con los métodos citados. En primer lugar, tanto en una descomposición de Fourier como wavelet las funciones base son fijas. En una descomposición ICA la base se autogenera para adaptarse lo mejor posible a los datos a representar. Adicionalmente, a diferencia de las técnicas clásicas, un desarrollo ICA genera bases de forma que se maximize la no gausianicidad del espacio de datos de entrada, lo que puede traducirse en que las bases representan las características mas interesantes del espacio a modelar. Y es precisamente este último hecho el que nos lleva a utilizar ICA como extractor de características, en vez de otras técnicas más extendidas como puede ser la mencionada transformada wavelet o un análisis en componentes principales.

El segundo elemento importante en nuestra arquitectura lo constituye el clasificador neuronal. No podemos negar que uno de los argumentos importantes a la hora de elegir este tipo de clasificador es la experiencia previa de la que disponemos en el grupo de investigación con este tipo de sistemas, aspecto que supone una clara ventaja de partida. Pero adicionalmente este tipo de sistemas exhibe características que resultan especialmente interesantes para el problema a afrontar. Quizá la más conocida sea la capacidad de ajustar su funcionamiento en base a "ejemplos", coloquialmente diríamos que tiene capacidad de aprender. Pero otra no menos importante es lo que se conoce como capacidad de generalización. La generalización es la característica de proporcionar una respuesta correcta ante una entrada totalmente desconocida. Como puede deducirse, esta característica hace que un clasificador neuronal sea a priori un elemento muy adecuado para una tarea de clasificación como la que nos ocupa; donde la variabilidad de los datos de entrada es muy grande (variaciones de contraste, errores de toma de la mamografía, de escaneado, artefactos, ... ).