Desarrollo de un modelo para la caracterización y clasificación de lesiones en imágenes de resonancia magnética de mama basado en aprendizaje computacional.

Abstract

El cáncer de mama constituye una de las principales causas de mortalidad en las mujeres a nivel mundial y la detección de un diagnóstico temprano depende en gran medida de la interpretación experta de imágenes de resonancia magnética. Este diagnóstico es determinado por medio de especialistas los cuales son quienes analizan imágenes de resonancia magnética para determinar si este tipo de lesiones son benignas o malignas, pero este proceso puede presentar una variabilidad debido a que ciertos tipos de lesiones tienen una similitud visual lo cual puede retrasar o dificultar una detección temprana y puede retrasar en parte el pronóstico de un paciente Para ello, el presente proyecto propone la implementación de un modelo de aprendizaje autosupervisado, utilizando el modelo MoCo (Momentum Contrast) para extraer representaciones significativas de MRI transformándose a una imagen contrastada y extrayendo embeddings donde serán evaluadas por medio de un clasificador KNN (K Nearest Neighbors) comparando las diferentes representaciones presentes en el conjunto de datos y evaluando el modelo por medio de métricas de desempeño. Adicionalmente implementando técnicas como UMAP para visualizar la separación entre las lesiones benignas y malignas al igual que mostrar una matriz de confusión y una curva ROC-AUC como métricas clínicas relevantes Los resultados indican que el modelo es capaz de generar representaciones que puedan facilitar la diferenciación entre este tipo de lesiones ofreciendo un apoyo potencial frente al diagnóstico médico, donde podría servir como herramienta complementaria para los especialistas, contribuyendo a una valoración más rápida y objetiva en este de contexto.

Abstract: Breast cancer remains one of the leading causes of mortality among women worldwide, making early detection essential to improve survival rates and enable timely treatment. Breast magnetic resonance imaging (MRI) is one of the most sensitive imaging techniques for identifying lesions, as it provides high contrast and structural detail. However, its interpretation largely depends on the expertise of radiologists, and due to the visual similarity among certain lesions, the diagnostic process may involve variability and delay, potentially affecting patient prognosis. This project proposes the implementation of a self-supervised learning model using MoCo (Momentum Contrast) to extract meaningful representations from MRI scans, transforming them into contrastive images and generating embeddings that are later evaluated through a KNN (K-Nearest Neighbors) classifier. The model is assessed using performance metrics, and additionally, techniques such as UMAP are applied to visualize the separation between benign and malignant lesions, along with the generation of a confusion matrix and a ROC-AUC curve as relevant clinical indicators. The results indicate that the model is capable of generating representations that facilitate the differentiation between these types of lesions, offering potential support for medical diagnosis, where it could serve as a complementary tool for specialists, contributing to faster and more objective evaluation within this context.