Aprendizaje profundo no supervisado aplicado a la segmentación de la densidad mamaria y la puntuación de riesgo mamográfico

La puntuación de riesgo mamográfico se ha automatizado comúnmente extrayendo un conjunto de características hechas a mano de las mamografías y relacionando las respuestas directa o indirectamente con el riesgo de cáncer de mama. Presentamos un método que aprende una jerarquía de características a partir de datos no etiquetados. Cuando las características aprendidas se utilizan como entrada para un clasificador simple, se pueden abordar dos tareas diferentes: i) segmentación de la densidad mamaria y ii) puntuación de la textura mamográfica. El modelo propuesto aprende características a múltiples escalas. Para controlar la capacidad del modelo, se introduce un nuevo regularizador de escasez que incorpora tanto la escasez de vida útil como la escasez poblacional. Evaluamos nuestro método en tres conjuntos de datos clínicos diferentes. Nuestros resultados de vanguardia muestran que las puntuaciones de densidad mamaria aprendidas tienen una relación muy fuerte y positiva con las manuales, y que las puntuaciones de textura aprendidas son predictivas del cáncer de mama. El modelo es fácil de aplicar y se generaliza a muchos otros problemas de segmentación y puntuación.