Selección objetiva de secuencias de resonancia magnética relevantes para el diagnóstico de cáncer de mama utilizando MKL y SWM

El cáncer de mama es el segundo más común entre todos los tipos de cáncer, y es también el más diagnosticado en mujeres, tanto en países desarrollados como en países en vías de desarrollo. En Colombia, el número de casos nuevos se incrementa sustancialmente cada año, y en muchas ocasiones sólo logra ser detectado en estados avanzados de desarrollo. Debido a la gran importancia que ha adquirido el estudio del cáncer de mama, se han propuesto diferentes métodos de tamizaje por medio de imágenes diagnósticas, que permiten detectar y estudiar esta enfermedad, siendo las imágenes de resonancia magnética (MRI por las siglas en inglés de Magnetice Resonance Imaging) una de las herramientas más prometedoras en cuanto a la información útil que proporcionan para realizar diagnósticos precisos y confiables. Sin embargo, el uso de MRI encuentra un gran obstáculo para su implementación, al ser más costoso que otros métodos, debido principalmente a la gran cantidad de imágenes agrupadas por secuencias que deben ser adquiridas e interpretadas. En los últimos años, se han desarrollado trabajos que buscan reducir el número de secuencias de MRI que deben ser implementadas para el diagnóstico de cáncer de mama, aunque estos trabajos encuentran un limitante, debido a que son completamente subjetivos y, por lo tanto, están ligados a la apreciación y criterio de los radiólogos especialistas y a los centros médicos en donde han sido realizados. Por otro lado, el uso de sistemas computacionales para apoyar los procesos de diagnóstico ha mostrado ser de gran utilidad en el área médica; además, desde el área de aprendizaje de máquina ha destacado el método de aprendizaje por múltiples kernels (MKL por las siglas en inglés de Múltiple Kernel Learning) debido a que permite integrar múltiples fuentes de información en una sola tarea, mostrando un buen desempeño y resultados fáciles de interpretar. En este proyecto se propone un método basado en el uso de MKL y máquinas de vectores de soporte (SV