En el presente trabajo se explora un paradigma alternativo para la detección de microcalcificaciones con base en el análisis de mamografía. La metodología está dividida en dos temas: segmentación y detección. En la primera se presenta un método con el objetivo de separar el área del seno del músculo pectoral. El objetivo es que en los próximos pasos se evite trabajar con áreas de brillo que pueden producir falsos-positivos; y como consecuencia de la reducción de tamaño también se reduce el tiempo de procesamiento. Esta etapa se divide en tres secciones: 1) Pre-procesamiento que consisten en la adquisición de imagen y la reducción de su tamaño eliminando el fondo. 2) Mejoramiento de la calidad de imagen que se realiza a través de Umbralización y Ecualización de Histograma. 3) Localización de las regiones de interés (ROI) en la imagen; y se realiza utilizando un algoritmo invariante a escalas y rotaciones para encontrar los descriptores claves de la imagen; como clasificador Fuzzy C-Means y K-Means Clustering son comparados. Con el objetivo de que esta etapa sea automática se buscó una técnica para definir dos cosas: a) el mejor número de clases y b) cuáles de estas clases representan mejor el seno. En los resultados de esta etapa se presentan la ubicación de regiones de interés dadas por el software y se comparan con la posición de las anormalidades diagnosticadas por la Mammographic Image Analysis Society. La segunda etapa de este trabajo consiste en detectar microcalcificaciones utilizando como herramienta principal la Transformada Wavelet y para potenciar su desempeño se evalúan diferentes filtros pasa-altas y filtros de énfasis en altas frecuencias. Se utilizan las transformadas Sym8 y Sym16 de la familia Symlet con una descomposición de nivel igual a tres; las imágenes resultantes de ambas transformadas son comparadas entre ellas de tal forma que solo aquellos elementos comunes en ambas son los que permanecerán como microcalcificaciones. Los resultados obtenidos son evaluados en términos de Sensibilidad y Falsos-Positivos por imagen. Finalmente los resultados son comparados con los resultados del estado del arte.
This work investigates an alternative paradigm for the detection of microcalcifications based on the analysis of mammograms. The methodology is divided into two topics: segmentation and detection. In the first part is presented a method with the goal to separate the breast area of the pectoral muscle. The aim is that in the next steps to avoid working with areas of brightness that can produce false-positive; and as a result of size reduction also it\'s reduces processing time. This stage is divided into three sections: 1) Pre-processing consisting of image acquisition and reduction of size erase the background. 2) Improve the image quality through image thresholding and histogram equalization. 3) Localization of regions of interest (ROI) in the image; this is done using Scale-Invariant Feature Transform (SIFT) to find image\'s descriptors and then as classifier Fuzzy C-Means and K-Means Clustering were implemented and compared. Aiming to automate, was searched a technique to define: a) best number of classes in the clustering and b) which of this classes represent the better breast area. Finally in the results the coordinates of the ROI's found are presented and they are compared with the position of abnormalities diagnosed by the Mammographic Image Analysis Society. The second stage of this work is aimed to detect microcalcifications using as main tool the wavelet transform and to enhance it\'s performance different high-pass filters and high frequency emphasis filters are evaluated. From the Symlet family, Sym8 and Sym16 transformed were used with a decomposition level equal to three; images results from both process are compared with one another so that only those elements common to both are what remain as microcalcifications. The results are compared with the results of the state of art. Finally the results are evaluated in terms of sensitivity and false-positives per image.
