Trabajo de Grado 🧬

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

👩‍💻 Autora

Erika Alexandra García Barrios Ingeniería de Software — Institución Universitaria Pascual Bravo

👨‍🏫 Asesores

Rubén Darío Fonnegra Tarazona Ph.D. en Ingeniería

Mateo Rico García M.Sc. en Automatización y Control Industrial

Repositorio académico correspondiente al desarrollo experimental de la clasificación binaria de lesiones mamarias benignas y malignas. Para esto se utilizaron técnicas de aprendizaje profundo aplicadas sobre imágenes de resonancia magnética dinámica con contraste (DCE-MRI).

🚀 Descripción del proyecto

El proyecto implementa múltiples experimentos basados en arquitecturas CNN e híbridas CNN-Transformer. En estos se utilizaron estrategias de transferencia de aprendizaje, representaciones multicanal DCE-MRI y evaluación clínica mediante métricas diagnósticas.

🎯 Objetivo general

Implementar y evaluar arquitecturas de aprendizaje profundo para la clasificación binaria de lesiones mamarias benignas y malignas en imágenes de resonancia magnética dinámica con contraste (DCE-MRI), mediante estrategias de entrenamiento y evaluación experimental aplicadas al análisis de imágenes médicas.

📌 Objetivos específicos

• Diseñar un proceso de preprocesamiento, normalización y representación multicanal para las imágenes de resonancia magnética dinámica con contraste, orientada a la preparación de datos para modelos de aprendizaje profundo aplicados a la clasificación binaria de lesiones mamarias.
• Implementar y comparar diferentes arquitecturas de aprendizaje profundo, incluyendo modelos basados en redes neuronales convolucionales y arquitecturas híbridas basadas en mecanismos de atención para la clasificación binaria de lesiones mamarias en categorías benignas o malignas.
• Evaluar el desempeño de las arquitecturas implementadas mediante métricas clínicas como sensibilidad (recall), especificidad, F1-score y área bajo la curva ROC, utilizando conjuntos independientes de entrenamiento, validación y prueba.

🧠 Arquitecturas implementadas

• ResNet50
• EfficientNet-B3
• MobileViT-S

📁 Estructura del repositorio

• configs/: configuraciones experimentales utilizadas durante el entrenamiento y la evaluación.
• data/processed/: archivos CSV procesados con rutas, etiquetas y particiones.
• experimentos/: contiene los cinco experimentos desarrollados durante el proyecto.
• GeneracionTablas.ipynb: notebook para la consolidación de métricas, tablas y figuras finales.

🛠️ Instalación

El proyecto fue desarrollado utilizando Python 3.10+ y PyTorch.

1. Requisitos del sistema

• Python 3.10+
• Git
• GPU NVIDIA con CUDA 11.8+

2. Clonar repositorio

git clone https://github.com/PandoraRiot/MRI_BreastCancer_Classification.git

cd MRI_BreastCancer_Classification

3. Instalar dependencias

pip install -r requirements.txt

💻 Ejecución de experimentos

Cada experimento posee su notebook principal ubicado en:

experimentos/experimentoX/cuadernos/ExperimentoOficial.ipynb

Los notebooks experimentales fueron desarrollados para ejecutarse principalmente en el entorno de Jupyter Notebook.

📊 Generación de tablas

El notebook GeneracionTablas.ipynb fue desarrollado para ejecutarse en Google Colab y permite:

• Consolidar métricas experimentales.
• Generar tablas finales para la tesis.
• Construir figuras comparativas.
• Exportar resultados utilizados dentro de la tesis.

🗂️ Dataset

El proyecto utiliza imágenes DCE-MRI provenientes del dataset público BreastDM, especializado en la clasificación y segmentación de lesiones mamarias.

📈 Mejores resultados correspondientes a Experimento 4.

Model	Best Epoch	Best Phase	Train AUC	Val AUC Patient	Val Threshold	TEST AUC (cal)	TEST AUC CI95	TEST Recall	TEST Specificity	TEST F1	TEST PPV	TEST NPV	TEST FNR	TEST Brier	TP / TN / FP / FN	Exec Time (min)
resnet50	12	finetune	0.9996	0.9615	0.590	0.9406	[0.827 - 1.000]	0.8636	0.8462	0.8837	0.9048	0.7857	0.1364	0.0939	19 / 11 / 2 / 3	1.66
efficientnet_b3	23	finetune	0.9221	0.9510	0.480	0.8304	[0.680 - 0.962]	0.9091	0.3846	0.8000	0.7143	0.7143	0.0909	0.1839	20 / 5 / 8 / 2	2.64
mobilevit_s	14	finetune	0.9065	0.9161	0.515	0.7797	[0.576 - 0.946]	0.8182	0.6923	0.8182	0.8182	0.6923	0.1818	0.1678	18 / 9 / 4 / 4	1.35

Los resultados experimentales además incluyen:

• Curvas ROC.
• Matrices de confusión.
• Curvas train loss vs. validation loss.
• Métricas clínicas de clasificación.
• Análisis de generalización y estabilidad.
• Interpretabilidad visual mediante Grad-CAM.

🔗 Repositorio oficial

• Enlace: https://github.com/PandoraRiot/MRI_BreastCancer_Classification
• GitHub: PandoraRiot