Análisis de Textura del Cáncer de Mama a través de técnicas LBP, HOG y GLCM

Resumen El cáncer de mama es una de las principales causas de muerte y es un tipo particular de tumor que es prevalente entre las mujeres en todo el mundo. Hasta la fecha, no existe un método eficaz para evitar la aparición del tumor mamario. Por lo tanto, la detección temprana es la primera etapa en el diagnóstico de los tumores mamarios y reduce la mortalidad. La mamografía de detección es la técnica más efectiva para la detección temprana de tumores mamarios. Se requiere una gran experiencia y amplias prácticas de los especialistas al examinar el tejido mamario en una mamografía. En este trabajo, se presentan técnicas de extracción de características como métodos para disminuir los falsos positivos que ocurren en el diagnóstico mamario. Se utilizó la base de datos Mini-MIAS para evaluar estos enfoques. LBP, HOG y GLCM son técnicas de extracción de características utilizadas para analizar el tejido masivo y extraer características de la ROI. El contraste, la energía, la correlación y la homogeneidad se utilizan como propiedades de las características. Estas características se utilizaron como entrada para los diferentes clasificadores que lograron los mejores resultados. Para mejorar la capacidad de diagnóstico, se utilizó "ecualización adaptativa de histograma limitada por contraste" como un sistema de preprocesamiento. Los mejores resultados obtenidos en este trabajo fueron mediante el método LBP y el clasificador de regresión logística en ROI (30×30) donde la precisión fue del 92.5%. El método HOG logró los mejores resultados con el clasificador SVM donde la precisión fue del 90% en ROI (30×30). GLCM proporciona los mejores resultados con el clasificador KNN donde la precisión fue del 89.3% en ROI (30×30). La mayor precisión se alcanzó en el caso de ROI (30×30) en todos los métodos de extracción de características utilizados en este trabajo.