Segmentación y análisis de imágenes termográficas mediante descriptores de textura simples

Abstract

El cáncer de mama es un problema de salud mundial que afecta principalmente a las mujeres y es una de las principales causas de muerte en los países desarrollados. La mayoría de los casos de cáncer son detectados en etapas avanzadas de la enfermedad, disminuyendo las expectativas de vida. El examen por excelencia para su diagnóstico es la mamografía, debido a que el cáncer de mama agrupa a diferentes variantes de la enfermedad, en algunos casos no se obtiene un diagnóstico acertado, ni tampoco se puede utilizar en mujeres menores de 40 años de edad, y ni en mujeres embarazadas. En la actualidad, se está introduciendo otras herramientas para detectar distintos tipos de enfermedades las cuales se consideran más efectivas para el diagnóstico precoz de cáncer de mama. La termografía, conocida también, como imágenes térmicas o imágenes de Infrarrojo es no invasiva, sin contacto, para detectar variaciones de temperatura en zonas donde pudiera existir un tumor, debido a que en estas regiones se presenta un aumento de temperatura, ocasionado por el flujo de sangre que necesita el tumor para crecer, pues el tejido precanceroso y zonas próximas al tumor su temperatura es siempre más altas que en el tejido normal de la mama. Por ello, en este trabajo se propone el uso de los termogramas para detectar signos de cáncer de mama o anormalidades automáticamente, con alta precisión. Con el análisis y la segmentación de los mismos y el uso de los descriptores de texturas simples, se podrá detectar tempranamente la aparición de un tumor en las mamas en mujeres de cualquier edad con alguna densidad, tamaño y en mujeres embarazadas, lo cual reducirá la tasa de mortalidad debidas a esta enfermedad que se puede prevenir. Además se propone estimar las asimetrías en pechos sanos y cancerosos mediante el cálculo de diferentes parámetros de textura basadas principalmente, en los momentos del histograma para poder clasificar los terrmogramas en normales o anormales. El siguiente paso consistió en la segmentación de la ROI de la imagen mediante la técnica de umbralización. Para la clasificación de las imágenes en normal o anormal, se implementó un clasificador K-NN. Finalmente, para validar la eficacia de este método propuesto de detección se ha utilizado las métricas de exactitud, sensibilidad y especificidad.