Clasificación automática de nódulos tiroideos en imágenes ecográficas a partir de características extraídas con wavelets

Abstract

Los nódulos tiroideos (NT) son crecimientos anormales de las células de la glándula tiroidea que pueden dar lugar a tumores con potencial maligno. Se estima que esta condición afecta aproximadamente al 70% de la población adulta mexicana, con una mayor prevalencia en mujeres. La ecografía es una herramienta fundamental en el proceso diagnóstico, por lo que desde 2011 se han realizado diversos estudios orientados a la clasificación de nódulos benignos y malignos utilizando las imágenes de ultrasonido. Estos esfuerzos han sido realizados principalmente con el objeto de auxiliar a los médicos en la toma de decisiones clínicas, reducir costos hospitalarios y evitar procedimientos invasivos innecesarios a los pacientes. Los enfoques basados en la extracción de características posteriores a la descomposición Wavelet son los que han reportado las métricas de desempeño más altas en comparación con otros enfoques. No obstante, dichos trabajos presentan limitaciones importantes relacionadas con el tamaño de los conjuntos de datos y los esquemas de validación empleados, lo que genera incertidumbre respecto a la capacidad de generalización de los modelos. En este contexto, el presente trabajo se centró en comparar el desempeño de distintos clasificadores de NT utilizando diversos algoritmos de clasificación y diferentes familias Wavelet para la descomposición de primer nivel de las imágenes de ultrasonido; extrayendo características de primer orden. El análisis se realizó empleando volúmenes de datos considerables y validación cruzada estratificada mediante K-fold por grupos. Los resultados obtenidos indican que la Wavelet “Coiflet 1” proporciona las características de descomposición más adecuadas para la clasificación de NT, de acuerdo con las métricas de exactitud alcanzadas por los modelos generados. Asimismo, el algoritmo de clasificación que presentó el mejor desempeño fue el de bosques aleatorios. Estos hallazgos demuestran que es posible construir un modelo robusto para la clasificación de NT a partir de la extracción de características de primer orden derivadas de la descomposición Wavelet de imágenes de ultrasonido, con resultados competitivos frente al estado del arte.