Presentación en el congreso ACA 2016 Cúrico-Chile

1. Abstract— A new algorithm based in Crm Filter, is presented
for breast cancer detection. The images obtained show micro
calcifications with better contrast, allowing a better detection of
cancer. The filter has only one parameter that permitting to
observe texture when parameter is changed.
Index Terms — Breast cancer, Image processing, micro
calcifications, x-ray image.
I. INTRODUCCIÓN
NO de los problemas de salud pública de país y a nivel
mundial es el cáncer de mama [1]⁠. La detección
temprana de este tipo de cáncer es un mecanismo
importante de prevención, y que, normalmente, se realiza por
medio de una mamografía. La presencia de micro
calcificaciones, en la imagen de mama, son indicaciones de
que hay cáncer, en un 80% de posibilidades. El problema
radica en que las dimensiones de las micro calcificaciones está
dentro del límite de resolución del sistema, lo cual dificulta un
buen diagnóstico temprano. Además, como la mama es un
tejido blando, los rayos X deben ser de baja energía (máximo
30 kev), justo en el rango donde el efecto fotoeléctrico, tiene
una mayor probabilidad de ocurrencia. Esto implica, que
cuando un fotón interactúa con un electrón, eyecta un electrón
del átomo, produciendo vacancias. Esta vacancia produce el
efecto de cascada de los electrones superiores, emitiendo
radiación en el proceso, que se dispersa, en todas direcciones.
Una consecuencia de esta radiación, es la falta de definición
de la imagen que lleva a una imagen sin contraste. Al trabajar
con imágenes digitales de mama, ha permitido desarrollo de
técnicas y algoritmos para la detección de cáncer [2]. El
aumento de contraste en la imagen mamográfica es un
requerimiento para un diagnóstico adecuado⁠, aplicando varias
técnicas para cambiar el contraste (o histograma), disminuir el
ruido y mejorar la imagen [3]. Se ha propuesto una
metodología general para el aumento de contraste, en la
región de interés (ROI) en el interior de los cuerpos [4]. El
modelo considera radiación dispersa (scattering) dentro del
tejido que es propias de las condiciones geométricas. Esto
implica que el procedimiento, se basa en estas condiciones y
no de la propia imagen. Otro método tiene cuatro pasos para
Miguel Bustamante S, Facultad de Ingeniería y Ciencias Universidad
Adolfo Ibáñez, Santiago de Chile. Miguel.bustamante@uai.cl
Román Osorio C., Instituto de Investigaciones IIMAS, Universidad
Autónoma de México UNAM, México. roman@unam.mx
Etienne Lefranc H., Facultad de Ingeniería, Universidad Central, Chile.
Lefranc.etienne@gmail.com
Gastón Lefranc2
Escuela de Ingeniería Eléctrica. Pontificia Universidad
Católica de Valparaíso, Chile. Gaston.lefranc@gmail.com
978-1-5090-1147-6/16/$31.00 ©2016 IEEE
obtener un aumento de contraste: escalamiento de la imagen,
segmentación de la región de la mama, cancelación del ruido,
y aumento del contraste por el medio de la técnica CLAHE, y
finalmente la aplicación de wavelet [5]. Este procedimiento,
aumenta el contraste, pero se demora para poder observar la
imagen, a causa de los pasos del método. En general, lo
métodos presentados sólo se concentran en el aumento de
contraste, considerando la propia naturaleza de la formación
de la imagen.
En imágenes radiológicas, las características de textura y
formas son las más importantes en el análisis de imágenes
médicas. Las técnicas para la caracterización de texturas
pueden ser utilizadas, desde la detección de bordes usando los
operadores Canny hasta los descriptores Sobel. Para la
identificación de formas, se utilizan los descriptores de
Fourier, momentos estadísticos invariantes y filtrado espacial
escalado. También se utiliza las características derivadas de
las matrices de coocurrencia, como de los filtros de Gabor,
wavelets y las características de textura de Markov.
En las mamografías, se usa la densidad para detectar micro
calcificaciones. En la segmentación de imágenes, la forma
puede ser una característica muy potente.
El análisis de texturas aplicada a imágenes está relacionada
con la distribución espacial de los niveles digitales presentes
en la imagen. Dependiendo de la selección de las
características y la filosofía de la clasificación, el análisis de
texturas en una imagen se clasifica en tres grandes métodos:
Métodos espaciales, métodos estructuras y métodos
estadísticos [9]. El análisis de texturas estadístico se basa en la
cuantificación y caracterización de las propiedades
estocásticas de la distribución espacial de los niveles de gris
en una imagen a través del cálculo de descriptores estadísticos
[10].
En trabajo anterior, los autores presentan un modelo que
describe la radiación dispersa producida por aplicación de
rayos X en una mamografía [6]. La hipótesis del modelo
radica en que toda la radiación dirigida a la placa debe sumar
la intensidad total I0. La dificultad en ese trabajo, que usa el
filtro de Bosso, es el tiempo que demora en la obtención de la
imagen, lo que lo hace poco aplicable.
En este trabajo se presenta un nuevo algoritmo para la
detección de cáncer de mamas, basado en el Filtro Crm. A
partir de un índice del filtro, se obtienen imágenes que
muestran en forma más contrastada, sin agregar ruido
adicional, permitiendo ver micro calcificaciones típicas de
cáncer de mamas, en un tiempo adecuado. En el estudio de
textura, el valor n=4, ha mostrado una valor extremo que
depende esa la característica. Esto puede permitir desarrollar
un índice de control del algoritmo. Se implementan tres
descriptores estadísticos, los cuales estudian la relación de un
píxel con su entorno, y caracterizan la suavidad, rugosidad, la
New Breast Cancer Detection Algorithm
(Nuevo Algoritmo para Detección de Cáncer)
M. Bustamante S., R. Osorio, E. Lefranc H., and G. Lefranc H., Life Senior Member, IEEE
U

2. textura, etc.
II. ASEGURAMIENTO DE CALIDAD DE MAMOGRAFÍAS
La optimización de la optimización de mamografías
implica asegurar la calidad de imagen de un sistema de
mamografía tanto analógico como la de sistemas de
mamografía digitales directos de campo completo (FFDM).
La mamografía analógica constituye una herramienta
eficiente para la detección y diagnóstico radiológico del
cáncer de mama; ha contribuido a reducir la tasa de
mortalidad y es la técnica más utilizada además de ser
relativamente barata y accesible. La mamografía digitales
directos de campo completo (FFDM) se desarrolla para
superar ciertas limitaciones técnicas de los sistemas
analógicos como: a) latitud de exposición limitada de la
película; b) deterioro de la respuesta de la película en
exposiciones altas y bajas; c) falta de flexibilidad para ajustar
el brillo y el contraste de la imagen y rígida vinculación de
estos a los niveles de exposición a rayos X; d) ineficiencia en
la utilización de la dosis de radiación incidente; e) ruido
asociado a la granularidad de la película y a la estructura de la
pantalla; f) ineficiencia de los métodos en la reducción de la
radiación dispersa; g) limitaciones en la optimización de
imágenes; h) inconvenientes en el almacenamiento y
recuperación de imágenes; i) problemas con la disposición de
los desechos químicos.
La mamografía digital tienen las ventajas potenciales de la
mamografía digital incluyen: a) exactitud mayor en el
diagnóstico en mamas densas; b) rendimiento mayor en la
adquisición de imágenes; c) menores dosis al paciente; d)
capacidad para difundir imágenes para su visualización en
múltiples ubicaciones; e) eliminación de problemas
relacionados con el procesamiento químico (ambiental, salud
laboral, gastos relacionados con el desecho de las películas y
transformación química); f) archivo de imágenes mejorado y
capacidad de recuperación; g) nuevas técnicas (detección
asistida por computadora [CAD], tele mamografía, tomo
síntesis, contraste mejorado en mamografía digital); y h)
enseñanza más eficiente con imágenes digitales.
Publicaciones recientes indican que las mamografías
digitales proporciona una precisión igual o superior a las
analógicas. La FFDM también tiene potencial para aumentar
la así como de eliminar los costos (por la complejidad) de la
eliminación de los residuos asociados con el procesamiento
químico de la película; todos estos factores han estimulado el
interés en la adquisición de sistemas digitales. Lo anterior
plantea retos y oportunidades para los involucrados en la
prestación de servicios de mamografía.
Uno de los retos más importantes de los sistemas digitales
de mamografía es contar con un programa adecuado de
aseguramiento de la calidad de las imágenes. La FFDM
todavía es una tecnología nueva con muy altos costos de
inversión. Además, hay otras consideraciones importantes
relativas a la compra de un sistema digital, incluidos los
gastos de preparación del área física (suministro eléctrico, aire
acondicionado, etcétera), requerimientos del sistema de
información de computo, costos de mantenimiento y
refacciones, actualizaciones del software y hardware,
capacitación del personal y la contratación de un físico
médico.
Para optimizar la calidad de imagen de un sistema de
mamografía analógica comparar su calidad de imagen con la
de sistemas de mamografía digitales directos de campo
completo (FFDM) durante las prácticas de mamografía de
tamizado.
Los programas de aseguramiento de la calidad tienen entre
sus objetivos lograr una calidad de imagen mamográfica alta,
incluyen a todo el tejido mamario y tienen cinco elementos de
calidad de imagen: contraste alto, resolución alta, ausencia de
ruido, densidad óptica media y dosis por proyección; además,
se debe incluir al posicionamiento de la mama como un
elemento de calidad de la imagen. [11]
Un programa de aseguramiento de la calidad de la imagen
debe ser equivalente a los establecidos por el American
College of Radiology (ACR), la Food and Drugs
Adminstration (FDA) o el Organismo Internacional de
Energía Atómica (OIEA).
III. ESTADO ACTUAL DE LA TECNOLOGÍA EN MAMOGRAFÍAS
Mamografía digital son tecnologías utilizadas para obtener
con rayos X una imagen digital de la mama. Muchas de estas
tecnologías operan, en gran medida, de forma análoga a las
desarrolladas para radiografía digital convencional. La
diferencia fundamental radica en el tamaño de pixel (r100 mm
en mamografía) y en sus formatos que son similares a los del
sistema película mamográfica. En la tabla 1 se muestra los
fabricantes con sus sistemas comerciales [12].
Tabla I Tecnologías usadas en mamografía digital
Fabricante Tipo de detector
Agfa CR Radiografía computarizada
Fuji CR Radiografía computarizada
Carestream CR Radiografía computarizada
Konica CR Radiografía computarizada
General Electric (Senographe
2000D, DS y Essential) .
Detector integrado tipo panel plano de
CsI
Siemens (Mammomat
Novation y Inspiration)
Detector integrado tipo panel plano a-Se
Hologic (Selenia) Detector integrado tipo panel plano a-Se
IMS (Giotto Image MD) Detector integrado tipo panel plano a-Se
Planmed (Sophie Nuance) Detector integrado tipo panel plano a-Se
Fuji (Amulet) Detector integrado tipo panel plano a-Se
Sectra (MicroDose D40 y
MicroDose L30)
Detector integrado tipo recuento de
fotones
Los equipos se pueden agrupar por su forma de uso. Al
primero, pertenecen los detectores denominados de
radiografía computarizada (CR), que tienen la ventaja de
usarse con los equipos mamografía de rayos X
convencionales. El segundo grupo de detectores (DR) que
tienen dentro de un sistema mamográfico digital propio. Una
ventaja de la mamografía digital son las posibilidades de
gestionar la información de manera flexible, rápida y eficaz
para sistemas de tratamiento, transmisión, archivo,
distribución y visualización de imágenes. Todas esas
posibilidades se basan en la existencia previa de una imagen
en formato digital, adquirida normalmente mediante

3. elementos y DR de radiación que tienen un comportamiento
diferente del de la película.
Los DR digitales están ampliamente extendido, ya que
permite la digitalización de los sistemas de mamografía
convencional sin necesidad de cambiar los mamógrafos con el
consiguiente ahorro económico: basta con sustituir los chasis,
con la clásica combinación placa-pantalla, por otros que
incorporen en su lugar una lámina de fosforo fotoestimulable.
Naturalmente es preciso instalar equipos lectores de CR.
IV. EL MODELO DE DISPERSIÓN
La hipótesis del modelo matemático que describe la
radiación dispersa producida por aplicación de rayos X en una
mamografía, plantea que toda la radiación dirigida a la placa
debe sumarse la intensidad total I0 [6]. Aplicando la misma
hipótesis, se propone una variante, un modelo de dispersión
descrito por la ecuación (1):
   
k+r
k
yx,I=yx,I nD (1)
donde I(x,y) es la intensidad en el pixel (x,y) k, y n son
constantes, r es la distancia radial al punto (x,y); y donde n es
el índice del filtro.
El perfil de intensidad asociado a ID(x,y), se muestra en la
figura 1. El eje X, esta distancia al pixel (x,y). Note que
cuando la distancia r es 7 (r=7), no hay mayor contribución a
la dispersión. Por ejemplo, para n=3, r=7 y k=1 el valor es
0,0029. Si el valor I(x,y) de 255, la intensidad en r=7, sería de
0,7 menor que 1; para n=4 es 0,000416I(x,y).
Fig. 1: Perfiles del filtro para los n de la tabla 1
Aplicando la hipótesis a la ecuación 1, se tiene ecuación 2:
     kn,πFyx,I=dr
k+r
rk
πyx,I=I n
220  (2)
donde la función F(n,k) viene dado por la expresión, para
n>2.
   
n
nπcosecπk
=kn,F
n
/22 2/2
(3)
En la expresión (2) se igualan elementos de una matriz. En
la expresión de F(n, k), k está asociado a una matriz, es decir
por cada pixel (x,y) con intensidad I(x,y), debe haber un valor
k(x,y) asociado al punto (x,y). De la expresión (2),
despejamos k(x,y):
, = [
�
2�2
��
� ,
sin
2�
�
(4)
En la aplicación del algoritmo a un imagen, para un valor
de n fijo, se define una matriz M de 7x7, ya que por la
ecuación (1), se sabe que para r>7, no hay mayor aporte a la
intensidad dispersa. La intensidad In(x,y) del nuevo pixel de la
nueva imagen viene dado por la ecuación 5.
       
   

3,3
3,3
3
j=i,
nn
j+yi,+xk+j+yi,+xr
j+yi,+xk
j+yi,+xIyx,I=yx,I
(5)
Obviamente, este filtro no es lineal, ya que k(x,y) cambia
su valor en cada punto (x,y).
V. ANÁLISIS DE TEXTURA
El análisis de la textura de imágenes de mama
mamográficos permite discriminar las masas de mama
benignas y malignas, evitando la biopsia innecesaria. La
textura de mamas se caracteriza por la variación espacial
dentro de una imagen mediante la extracción de información.
Además, la mamografía puede ser útil para visualizar los
tumores no palpables y aun mínimos. Un sistema para analizar
la textura debe seguir tres pasos. El primer paso es la elegir
una región de interés (ROI). El segundo paso es la extracción
de características de las estadísticas de primer orden (FOS)
son la media, la desviación estándar, la asimetría, kurtosis,
etc.; y las características extraídas por el método de las
matrices de co-ocurrencia de nivel de gris (GLCM) son
contraste, correlación, energía, homogeneidad, etc., y las
características extraídas de transformada wavelet Haar son 2D
energía de descomposición de los componentes horizontales,
verticales y diagonales. El tercer paso es proceso de
clasificación. Normalmente este paso lo realiza un médico.
Existen sistemas automáticos para realizar lo mismo. Uno de
ellos es el Soporte lineal Vector Machine (SVM) es una
técnica de clasificación para clasificar las masas mamarias
benignas y malignas. El rendimiento se evalúa en términos de
precisión, especificidad, sensibilidad, valor predictivo positivo
y valor predictivo negativo [10].
La textura de las imágenes de grises se determina basadas
en la matriz de co-ocurrencia (Pij). Esta matriz de frecuencias
tiene un píxel (i) con un nivel de gris, que aparece en una
relación de espacio específica con otro píxel (j) de nivel de
gris. Las matrices de concurrencia son medidas de segundo
orden porque consideran parejas de píxeles vecinos, separados
una distancia d y en un determinado ángulo. Por tanto, las
matrices de co-ocurrencia pueden revelar ciertas
propiedades sobre la distribución espacial de los grises en
la textura de la imagen. La matriz de concurrencia está dada
por la ecuación 6:
� , = |{( , , , � ): � , = , � , � = }| (6)
Las matrices de co-ocurrencia del nivel de gris (GLCM)
son útiles para el análisis textural de imágenes La matriz de

4. co-ocurrencia se define como: cuenta el número de la
combinación de la intensidad i y j que se da en cierta distancia
de niveles de grises y a cierta orientación normalizados al
número total de cuentas. A partir de Pij, normalizado usamos
índices de textura siguiente: [8]
El Momento Segundo angular (ASM) es una medida de la
variación en los niveles de gris. A mayor ASM, mayor
uniformidad (menos variación en los niveles de gris). Si ASM
es 1, la imagen es completamente uniforme, ecuación (7).
Momento segundo angular = ∑ ∑ − � ,
(7)
El Momento de diferencia inversa (ISM) es también
llamada homogeneidad. La ISM aumenta cuando el contraste
entre las parejas de pixeles desciende, ecuación (8).
Momento de diferencia inversa = ∑ ∑ � , / − (8)
La Entropía es una medida de la complejidad de la imagen.
A mayor entropía mayor complejidad, ecuación (9).
� í� = = ∑ ∑ � ,
=0=0
log � ,
(9)
Mediante el algoritmo GLCM de Image J se calculan las
variables texturales ASM, ISM y la Entropía
VI. APLICACIÓN DEL ALGORITMO A MAMOGRAFÍAS.
La implementación del algoritmo se hizo en Matlab
(Matlab 12.0). El programa se aplica, para los valores de n =
3, 4, 5 y 6 a la imagen de fantoma (figura 2) que tiene micro
calcificaciones agregadas, (Fig. 3).
En las figuras de las regiones enmarcadas de las
figuras 4 y 5, de la base de datos [7], se ven las micro
calcificaciones.
Fig. 2: Imagen de Fantoma Fig. 3: Mama sin micro calcificaciones
Fig. 4 y 5: Mama con micro calcificaciones
Las figuras siguientes son resultados obtenidas por el
algoritmo realizado en Matlab, para distintos n.
La imagen Fig. 6, es una mama con lesiones para n=3,5, 6
La Fig 7 es para la misma mama anterior, con lesiones, para
n=4, donde se puede ver las micro calcificaciones con mayor
contraste.
Fig. 6: Mamas con lesiones para n=3, 5 y 6 respec
Las imágenes son diferentes, y se aprecian distintas
características dependiendo el valor de n. No se observa un
aumento en el ruido de las imágenes, si un mejor contraste.
Fig. 7: Imagen de mama para n=4 con micro calcificaciones
En las figuras resultantes, se aprecia distinto tipo de tejidos,
dependiendo del valor de n. En particular para n=4, se
observa cierto tipo de estructura de las mamas, con micro
calcificaciones, con mayor grado de contraste, con respecto a
las otras imágenes y la originales (figuras 7).
Otro caso se puede en las figuras siguientes, Fig. 8.

5. Fig. 8: Imagen mdb218, con detalles de los procesamiento de los distintos n
En estas imágenes se determinan tres valores de textura de
la imagen resultante, basado en la matriz de coocurrencia. El
propósito es ver la relación entre los valores de textura y el
índice n. [8]
Para determinar el segundo momento angular, el momento
de diferencia inversa y la entropía de la imagen, se utiliza el
opción (plugin) GLCM Texture del Imagej [9] con un radio
de 2 y un ángulo de 0°. Los resultados se presentan en la tabla
II y III.
I
Tabla II Resultado de descriptores estadísticos de Textura
de cada imagen
mbx 218 mbd 209
n Segundo
Momento
angular
Momento
diferencia
inversa
Entropia Segundo
Momento
angular
Momento
diferencia
inversa
Entropia
0 0,087 0,598 5,132 0,011 0,464 6,943
3 0,087 0,593 5,091 0,13 0,652 4,976
4 0,153 0,714 3,811 0,208 0,792 3,143
5 0,087 0,576 5,128 0,129 0,624 5,072
6 0,087 0,574 5,19 0,128 0,649 5,078
Tabla III Resultado de descriptores estadísticos de Textura de cada
imagen
mbd 006 fantoma
n Segundo
Momento
angular
Momento
diferencia
inversa
Entropia Segundo
Momento
angular
Momento
diferencia
inversa
Entropia
0 0,19 0,722 3,979 0,008 0,431 6,422
3 0,192 0,703 3,085 0,116 0,581 5,067
4 0,2375 0,767 3,085 0,116 0,59 4,429
5 0,192 0,703 3,97 0,107 0,537 5,138
6 0,192 0,701 3,951 0,102 0,591 5,335
El filtro tiene una acción sobre la imagen, que destaca
ciertas estructuras de la mama diferentes, dependiendo del
valor de n (3, 4, 5 y 6). Este procedimiento resalta las micro
calcificaciones de la figura 8, para n= 4, donde se puede
apreciar dentro del tejido blando de la imagen de mama, las
micro-calcificaciones y que aparecen más calcificaciones.
En estas tablas se comparan los valores del segundo
momento angular (second angular moment) Diferencia del
momento inverso (Inverse Difference moment) y entropía. [8]
El propósito de las Tablas es para ver la relación entre los
valores de textura y el índice n y ver si existe un valor
extremo en los índices de textura. La idea es ver si se puede
usar como criterio para establecer un valor de textura, (uno de
los valores) de modo de tener un mayor contraste.
Se ha presentado que los descriptores estadísticos, los
cuales estudian la relación de un píxel con su entorno,
caracterizan la textura. El descriptor Momento Segundo
angular (ASM), es una medida de la variación en los niveles
de gris... En la tabla 3 se observa que los valores de ASM de
las figuras, para n = 4, son los mayores (0.153, 0.208, 0,237 y
0.116), decir tienen una buena variación de niveles de gris,
permite discriminar las masas de mama benignas y malignas.
Con el descriptor Momento de diferencia inversa (ISM) su
valor aumenta cuando el contraste entre las parejas de pixeles
desciende. En la Tabla 3, ISM de las figuras para n=4, tiene
los valores mayores (0.714, 0.792, 0.767, 0.59) lo que quiere
decir que las figuras tienen mejor contraste.
La Entropía es una medida de la complejidad de la imagen.
A mayor entropía mayor complejidad. En la Tabla 3, la
entropía de las figuras para n=4, tiene los valores mayores
(0.3.811, 0,3143, 3.085, 4,429), que son los valores menores
de entropía con n=4. Esto significa que imagen es menos
compleja, permitiendo discriminar las masas de mama
benigna y maligna, evitando la biopsia innecesaria.
Entonces, se puede apreciar en la tabla 3 que con n=4
aparece un valor extremo, dependiendo del valor de la textura.
Este valor da un mayor contraste a la imagen, permitiendo
observar mejor las micro calcificaciones. Este resultado es
para valores entero de n. La mamografía es útil para visualizar
los las micro calcificaciones y tumores no palpables, aun
mínimos.
Debiera explorarse valores fraccionales, de este modo
podría desarrollarse un criterio de contraste para un mejor
diagnóstico. La textura de mamas se caracteriza por la
variación espacial dentro de una imagen mediante la
extracción de información.
VII. CONCLUSIONES
Se ha presentado un nuevo algoritmo para la detección de
micro calcificaciones de mamas, basado en el Filtro Creme. A
partir del índice n del filtro, se obtienen imágenes más
contrastadas, sin agregar ruido adicional, permitiendo ver
micro calcificaciones típicas de cáncer de mamas. En el
estudio de textura, el valor de n=4, ha mostrado una valor
extremo (máximo o mínimo) que depende de esa la
característica.
En cada imagen se determinan tres valores de textura de la
imagen resultante, basado en la matriz de co-ocurrencia. Esta
matriz refleja las ocurrencias dadas de un valor de nivel de
gris entre los vecinos de un píxel determinado. El propósito es
ver la relación entre los valores de textura y el índice n.
Con los tres valores de textura son los momentos angular
segundo, los momentos de diferencia inversa y la entropía de
la imagen, con un radio de 2 y un ángulo de 0°. Los resultados
se comparan.

6. El algoritmo aporta imágenes mejor contrastadas, sin
agregar mayor ruido y dependiendo del valor de n se resaltan
distintas estructuras, y existe un valor extremo en n.
El procedimiento aplicado es para valores de n enteros.
Debiera explorarse para valores fraccionales. El valor de n
tiene que ser mayor a 2 para tener convergencia. Esto da un
campo de investigación para buscar un valor de un óptimo de
la característica de la textura.
REFERENCIAS
[1] Ministerio de Salud Guía Clínica: Cáncer de Mama, 2015 isbn: 978-
956-8823-55-9, Santiago Chile.
[2] L. M. Warren, R. M. Given-Wilson, M. G. Wallis, J. Cooke, M. D.
Halling-Brown, A. Mackenzie, D. P. Chakraborty, H. Bosmans, D. R.
Dance, and K. C. Young, “The Effect of Image Processing on the
Detection of Cancers in Digital Mammography.,” AJR. Am. J.
Roentgenol., vol. 203, no. 2, pp. 387–393, 2014.
[3] K. Akila, L. S. Jayashree, and a. Vasuki, “Mammographic Image
Enhancement Using Indirect Contrast Enhancement Techniques – A
Comparative Study,” Procedia Comput. Sci., vol. 47, pp. 255–261,
2015.
[4] Y. Park, T. Woo, H. Cho, D. Hong, U. Je, C. Park, and H. Lim,
“Detection analysis of phase-contrast X-ray imaging (PCXI) with single
grid for nano-scopic applications,” Opt. - Int. J. Light Electron Opt., pp.
1–5, 2015.
[5] H. Moradmand, S. Setayeshi, A. Karimian, and M. Sirous, “Contrast
Enhancement of Mammograms for Rapid Detection of Micro
calcification Clusters,” vol. 11, no. 2, pp. 260–269, 2014.
[6] Bustamante M., Lefranc G., “Degradation model of breast imaging by
Dispersed Radiation”, Proceedings of The Romanian Academy, Series
A, Volume 12, Number 4/2011, pp. 347–352.
[7] “The mini-MIAS database of mammograms.” [Online]. Available:
http://peipa.essex.ac.uk/info/mias.html. [Accessed: 26-Nov-2015].
[8] Geoff Dougherty, “Digital Image Processing for medical applications”,
Cambridge, 2009, ISBN: 978-0-521-86085-7, páginas: 428-429.
[9] “Texture Analyser.” [Online]. Available :
http://imagej.nih.gov/ij/plugins/texture.html. [Accessed: 04-Jan-2016].
[10] Beaula N., Nisha K.L., Texture Analysis for Mammographic Breast
Images using Novel Statistical and Transform Techniques. International
Journal of Advanced Research Trends in Engineering and Technology
(ijartet) vol. II, Special issue xi, february 2015, ISSN 2394-3777
(Print)ISSN 2394-3785 (Online).
[11] Gaona E., Perales Corona W., Franco Enriquez J., Molina Frechero N.,
Gaona Castañeda G. Optimización de la Calidad de Imagen en la
mamografía analógica y su comparación con la mamografía digital.
Anales de Radiología México 2012.
[12] R. Torres Cabrera. The state of the art in technology for digital
mammography. Servicio de Radio física y Protección Radiológica,
Hospital Universitario Rio Hortega, Valladolid, España, 2010.
http://www.elsevier.es el 02/09/2016.
Miguel Bustamante S. is Licenciado en
Ciencias mención Física, Universidad
de Chile, Santiago, 1990, Magister on
Biofísica Medica, Universidad de Chile,
Santiago, Chile 1997. Since he has
work in image processing applied to
medicine; in mamographies to detect
better diagnosis for breast cancer.
Actually, he es professor in Facultad de
Ingeniera at Universidad Adolfo Ibáñez,
Chile
Etienne Lefranc is Ingeniero
Informático y Master of Science
obtained at Universidad Técnica
Federico Santa María. He has been
General Manger of Solutions Company
(Computer Company) and Sybase
Chile.
He has been Vice Rector at Universidad de las Américas,
Chile. He is Professor at Facultad de Ingeniería, Universidad
Central de Chile His areas of interest are Big Data, Data
Minning, Computer Science.
Roman Osorio obtained a BEng from
UNAM, Mexico. He has acted as
consultant in several companies as well
as published over 100 papers in related
fields. His main research interests are in
mobile robotics, automation, and
machine vision and software
development. He is currently a
researcher within Computing
Systems and Automation department in the Research Institute
on Applied Mathematics and Systems (IIMAS-UNAM) and
lecturer on Electronics.
Gaston Lefranc obtained Electrical
Eng. at Universidad Técnica Federico
Santa María in Chile, Civil Electrical
Eng., at Universidad de Chile and
Master of Science degree in Electrical
and Computer Science at the
Northwestern University, Evanston,
Illinois, USA. He is Full Professor at
Electrical Engineering at the Pontificia Universidad Católica
de Valparaíso, Chile. His main research areas are Artificial
Intelligence, Robotics, Flexible Manufacturing Systems and
Biomedical Engineering. He has been co-author of 10 books
and published over 160 papers in related fields. He is a IEEE
Senior Member.