Los puntos clave no están disponibles para este artículo en este momento.
El cáncer de mama sigue siendo una preocupación de salud importante en todo el mundo, requiriendo el avance de métodos de detección temprana para mejorar el pronóstico y los resultados del tratamiento. En este sentido, la mamografía se considera el estándar de oro en el cribado y la detección temprana del cáncer de mama. Sin embargo, en un escenario donde se requiere un análisis extenso, un gran conjunto de mamografías realizadas por radiólogos puede llevar a diagnósticos falsos negativos o falsos positivos. Por lo tanto, la inteligencia artificial ha surgido en los últimos años como un método para mejorar el tiempo en el diagnóstico del cáncer de mama. No obstante, se requieren etapas de preprocesamiento para preparar el conjunto de datos de mamografía y mejorar los modelos de aprendizaje para identificar correctamente las anomalías mamarias. En este artículo, introducimos un método novedoso que emplea redes neuronales convolucionales (CNN) para segmentar el músculo pectoral en 1288 mamografías mediolaterales oblicuas (MLO), abordando así el desequilibrio de clases y el sobreajuste entre clases, y la augmentación del conjunto de datos basada en traslación, rotación y transformación de escala. La efectividad del modelo se evaluó a través de una matriz de confusión y métricas de rendimiento, destacando un coeficiente de Dice promedio de 0.98 y un índice de Jaccard de 0.96. Los resultados demuestran la capacidad del modelo para identificar con precisión tres clases: músculo pectoral, mama y fondo. Este estudio enfatiza la importancia de abordar los problemas de desequilibrio de clases y aumentar los datos para la capacitación de modelos para una detección temprana confiable del cáncer de mama.
Cortes-Rojas et al. (Jue,) estudiaron esta cuestión.