Estimación de la densidad mamaria en imágenes de mamografía digital y tomosíntesis mediante inteligencia artificial

Abstract

Antecedentes: La mamografía digital como método de screening ha tenido un gran impacto en la detección precoz de cáncer de mama, sin embargo, han surgido otros métodos como la tomosíntesis que han ido reemplazando esta técnica. La densidad mamaria es un factor de riesgo para el cáncer de mama, es por esto su relevancia para cuantificarla con métodos automatizados. En la actualidad, pocos estudios han estimado el porcentaje de densidad mamaria mediante tomosíntesis y algoritmos de Deep learning. Objetivo: Desarrollar un algoritmo de inteligencia artificial basado en Deep learning para la estimación del porcentaje de densidad mamaria en imágenes de tomosíntesis y mamografía digital, en las proyecciones craneocaudal (CC) y mediolateral oblicua (MLO). Materiales y método: Se escogió una muestra de 19 exámenes de tomosíntesis mamaria y 81 de mamografía digital, ambos provenientes de bases de datos públicas y anonimizadas. En ellos se realizó una segmentación manual con el software 3D Slicer y posteriormente se desarrolló un algoritmo de Deep learning utilizando el entorno de trabajo MONAI para la estimación del porcentaje de densidad mamaria. Resultados: El rendimiento del algoritmo alcanzó para el conjunto de entrenamiento/validación un Dice promedio de 0.8041 y 0.8793 para tomosíntesis y mamografía, respectivamente, y para el conjunto de prueba un 0.8157 para tomosíntesis mamaria y 0.8452 para mamografía. Existió correlación entre los etiquetados manual y automatizado en las proyecciones para ambos exámenes (p < 0.001) en el conjunto de entrenamiento/validación. La mayor correlación ocurre en las proyecciones CC para ambos exámenes. Al comparar el porcentaje de densidad mamaria en mamografía y tomosíntesis se obtuvieron diferencias significativas entre los dos grupos, con mayor valor para mamografía. Conclusiones: El algoritmo creado con Deep Learning para estimar la densidad mamaria en mamografía y tomosíntesis tuvo un buen desempeño tanto en proyecciones CC como MLO. Se requiere validar sus resultados con imágenes de resonancia magnética mamaria.

Background: Digital mammography as a screening method has had a great impact on the early detection of breast cancer, however, other methods such as tomosynthesis have been replacing this technique. Breast density is a risk factor for breast cancer, which is why it is so important to quantify it with automated methods. At present, few studies have estimated the percentage of breast density using tomosynthesis and deep learning algorithms.Purpose: To develop an artificial intelligence algorithm based on deep learning for the estimation of the percentage of breast density in tomosynthesis and digital mammography images, in craniocaudal (CC) and mediolateral oblique (MLO) projections.Materials and method: A sample of 19 breast tomosynthesis examinations and 81 digital mammography examinations, both from public and anonymized databases, were chosen. A manual segmentation was performed with 3D Slicer software and then a deep learning algorithm was developed using the MONAI framework to estimate the percentage of breast density. Results: The algorithm performance reached for the training/validation set an average Dice of 0.8041 and 0.8793 for tomosynthesis and mammography, respectively, and for the test set 0.8157 for mammary tomosynthesis and 0.8452 for mammography. There was correlation between manual and automated labeling in the projections for both examinations (p < 0.001) in the training/validation set. The highest correlation occurs in the CC projections for both exams. When comparing the percentage of breast density in mammography and tomosynthesis, significant differences were obtained between the two groups, with a higher value for mammography. Conclusions: The algorithm created with Deep Learning to estimate breast density in mammography and tomosynthesis performed well in both CC and MLO projections. It is required to validate its results with breast magnetic resonance images.