Segmentación Automatizada de Cáncer de Mama en Imágenes de Ultrasonidos Mediante Redes Neuronales Convolucionales

Erick Fabián Donado Fonseca

doi:10.22490/25394088.10453

Vol. 20 Núm. 1 (2026)

Publicado 23-02-2026

Licencia

Derechos de autor 2026 Publicaciones e Investigación

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Cuando PUBLICACIONES E INVESTIGACIÓN recibe la postulación de un original por parte de su autor, ya sea a través de correo electrónico o postal, considera que puede publicarse en formatos físicos y/o electrónicos y facilitar su inclusión en bases de datos, hemerotecas y demás sistemas y procesos de indexación. PUBLICACIONES E INVESTIGACIÓN autoriza la reproducción y citación del material de la revista, siempre y cuando se indique de manera explícita el nombre de la revista, los autores, el título del artículo, volumen, número y páginas. Las ideas y conceptos expresados en los artículos son responsabilidad de los autores y en ningún caso reflejan las políticas institucionales de la UNAD

Artículo original

Segmentación Automatizada de Cáncer de Mama en Imágenes de Ultrasonidos Mediante Redes Neuronales Convolucionales

DOI: https://doi.org/10.22490/25394088.10453

Erick Donado Universidad Simón Bolívar

Pre-Print

Resumen
Referencias

Esta investigación se centra en el desarrollo de un sistema automático para la detección y segmentación de tumores en imágenes de ultrasonido mamario mediante técnicas avanzadas de aprendizaje profundo. Se diseñó un programa autoaprendente basado en redes neuronales convolucionales con arquitectura tipo U-Net, capaz de entrenarse con datasets médicos etiquetados para identificar y resaltar posibles regiones cancerosas. La metodología incluyó el preprocesamiento de las imágenes de ultrasonido mediante escalado a un tamaño uniforme de 256x256 píxeles, la división del conjunto de datos en entrenamiento y prueba (80/20) y la normalización de los datos. El entrenamiento del modelo incorporó funciones de activación, regularización mediante dropout y normalización por lotes para mejorar el rendimiento. El sistema mejora su precisión de manera autónoma al adaptarse a nuevos patrones, al mismo tiempo que ofrece retroalimentación visual generando máscaras de segmentación que marcan áreas sospechosas en las imágenes de ultrasonido. El desempeño se evaluó con la visualización de predicciones sobre imágenes del dataset usado para el entrenamiento. Los resultados demuestran la capacidad del modelo para detectar y segmentar regiones tumorales con alta precisión, reduciendo falsos positivos y apoyando el diagnóstico oportuno. Este enfoque evidencia el potencial clínico de las redes neuronales convolucionales para mejorar la exactitud diagnóstica, la eficiencia y, en última instancia, los resultados en pacientes con cáncer de mama.

Palabras clave: Segmentación de imágenes, Cáncer de mama, Ultrasonido, Aprendizaje profundo, U-Net, Redes neuronales convolucionales

Al-Dhabyani, W., Gomaa, M., Khaled, H., & Fahmy, A. (2020). Dataset of breast ultrasound images. Data in Brief, 28, 104863. https://doi.org/10.1016/j.dib.2019.104863.

Byra, M., Jarosik, P., Dobruch-Sobczak, K., Klimonda, Z., Piotrzkowska-Wroblewska, H., Litniewski, J., Nowicki, A. (2020). Breast mass segmentation based on ultrasonic entropy maps and attention gated U-Net. arXiv preprint arXiv:2001.10061.

Chen, G., Li, L., Dai, Y., Zhang, J., & Yap, M. H. (2023). AAU-Net: An adaptive attention U-Net for breast lesions segmentation in ultrasound images. IEEE Transactions on Medical Imaging, 42(5), 1289–1300. https://doi.org/10.1109/TMI.2022.3226268.

Anari, S., Sadeghi, S., Sheikhi, G., & et al. (2025). Explainable attention based breast tumor segmentation using a combination of UNet, ResNet, DenseNet, and EfficientNet models. Scientific Reports, 15(1), 1027. https://doi.org/10.1038/s41598-024-84504-y.

Zhang, S., et al. (2023). Fully automatic tumor segmentation of breast ultrasound images with deep learning. Journal of Applied Clinical Medical Physics, 24(1), e13863. https://doi.org/10.1002/ACM2.13863.

Guo, Y., Duan, X., Wang, C., & Guo, H. (2021). Segmentation and recognition of breast ultrasound images based on an expanded U-Net. PLOS ONE, 16(6), e0253202.

Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: a self-adapting framework for U-Net-based medical image segmentation. Nature Methods, 18(2), 203–211.

Zarbakhsh, P. (2023). Spatial attention mechanism and cascade feature extraction in a U-Net model for enhancing breast tumor segmentation. Applied Sciences, 13(15), 8758. https://doi.org/10.3390/app13158758.

Minaee, S., Boykov, Y., Porikli, F., Plaza, A. J., Kehtarnavaz, N., & Terzopoulos, D. (2021). Image segmentation using deep learning: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(7), 3523–3542.

Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention (pp. 234–241). Springer.

Borah, N., Varma, P. S. P., Datta, A., Kumar, A., Baruah, U., & Ghosal, P. (2022). Performance analysis of breast cancer classification from mammogram images using vision transformer. In 2022 IEEE Calcutta Conference, CALCON 2022 - Proceedings (pp. 238–243). https://doi.org/10.1109/CALCON56258.2022.10060315.

Sulaiman, A., Anand, V., Gupta, S., Rajab, A., Alshahrani, H., Saleh Al Reshan, M., ... & Hamdi, M. (2024). Attention based UNet model for breast cancer segmentation using BUSI dataset. Scientific Reports, 14, 22422.

Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2018). UNet++: A nested U-Net architecture for medical image segmentation. Deep Learning in Medical Image Analysis, 3–11.

Ming, Q., & Xiao, X. (2024). Towards accurate medical image segmentation with gradient-optimized dice loss. IEEE Signal Processing Letters, 31, 191–195. https://doi.org/10.1109/LSP.2023.3329437.

Çiçek, Ö., Abdulkadir, A., Lienkamp, S. S., Brox, T., & Ronneberger, O. (2016). 3D U-Net: Learning dense volumetric segmentation from sparse annotation. Medical Image Computing and Computer-Assisted Intervention, 424–432.

Balaji, K. (2023). Image augmentation based on variational autoencoder for breast tumor segmentation. Academic Radiology, 30(S1), S172–S183. https://doi.org/10.1016/j.acra.2022.12.035.

Ejiyi, C. J., et al. (2024). Attention-enriched deeper UNet (ADU-NET) for disease diagnosis in breast ultrasound and retina fundus images. Progress in Artificial Intelligence, 13(4), 351–366. https://doi.org/10.1007/S13748-024-00340-1.

Cao, H., Wang, Y., Chen, J., Jiang, D., Zhang, X., & Zhang, Y. (2023). Swin-Unet: Unet-like pure transformer for medical image segmentation. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 13803 LNCS (pp. 205–218). https://doi.org/10.1007/978-3-031-25066-8_9.

Sun, J., Wang, S., Liu, K., Zhang, Z., & Jiang, Z. (2024). DDRA-Net: Dual-channel deep residual attention UPerNet for breast lesions segmentation in ultrasound images. IEEE Access, 12, 43691–43703. https://doi.org/10.1109/ACCESS.2024.3373551.

Liu, S., Liu, D., & Lin, Y. (2024). DPNet: A dual-attention patching network for breast tumor segmentation in an ultrasound image. Multimedia Systems, 30(6), 1–12. https://doi.org/10.1007/S00530-024-01562-Y.

Zhao, X., Xie, Y., Sun, X., Su, Y., Dong, J., & Cheng, D. (2023). BreastDM: A DCE-MRI dataset for breast tumor image segmentation and classification. Computers in Biology and Medicine, 164, 107255. https://doi.org/10.1016/J.COMPBIOMED.2023.107255.

Licencia

Cómo citar

Donado Fonseca, E. F. (2026). Segmentación Automatizada de Cáncer de Mama en Imágenes de Ultrasonidos Mediante Redes Neuronales Convolucionales. Publicaciones E Investigación, 20(1). https://doi.org/10.22490/25394088.10453

Descargar cita

Almétricas