Clasificación de lesiones mamarias utilizando aprendizaje profundo en imágenes de resonancia magnética

Abstract

En este trabajo se desarrolló y evaluó un flujo experimental basado en aprendizaje profundo para la clasificación binaria de lesiones mamarias benignas y malignas utilizando imágenes de resonancia magnética dinámica con contraste (DCE-MRI). Se empleó el dataset público BreastDM junto con representaciones multicanal derivadas de diferentes fases temporales del contraste. El desarrollo experimental incluyó estrategias de normalización, aumentación de datos y separación a nivel de paciente mediante Hold-Out. Adicionalmente, se implementaron las arquitecturas ResNet50, EfficientNet-B3 y MobileViT-S utilizando transfer learning y fine-tuning sobre la inicialización de ImageNet. La evaluación fue realizada mediante métricas clínicas y computacionales como sensibilidad, especificidad, F1-score, AUC-ROC, PR-AUC y Grad-CAM para interpretabilidad visual. Los resultados permitieron analizar diferencias en capacidad de generalización, estabilidad y focalización anatómica entre las arquitecturas implementadas.Abstract This work developed and evaluated a deep learning pipeline for binary classification of benign and malignant breast lesions using Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI). The public BreastDM dataset was used together with multichannel representations derived from different temporal contrast phases. ResNet50, EfficientNet-B3, and MobileViT-S architectures were implemented using transfer learning and progressive fine-tuning over ImageNet pretrained weights. Evaluation was performed using sensitivity, specificity, F1-score, ROC-AUC, PR-AUC, and Grad-CAM for visual interpretability. The results allowed comparison of the generalization capability, stability, and anatomical focalization of the implemented architectures.