Clasificación de imágenes de mamografías según el tipo de tejido predominante usando redes neuronales artificiales Samuel Oporto Díaz. Centro de Sistemas Inteligentes, Instituto Tecnológico de Monterrey ITESM, Campus Monterrey, Torre CETEC 5to piso. Av. Eugenio Garza Sada 2501 Sur, Monterrey, N. L. 64849 México Teléfono: +52 (81) 8158-2045, 8328-4379, Fax: +52 (81) 8328-4189 al977969@mail.myt.itesm.mx soporto@aurigacorp.com.pe http://homepages.mty.itesm.mx/al977969/ Resumen. Una red neuronal artificial fue usada para clasificar imágenes digitalizadas de mamografías en función al tipo de tejido predominante. Se usaron dos métodos de extracción de características, el primero calcula parámetros estadísticos sobre pequeñas ventanas en la imagen, 16 ventanas en total, el segundo usa el histograma de cada imagen. Clasificar imágenes de mamografías según el tipo de tejido predominante es un paso previo al proceso de identificación de masas mamográficas sospechosas de ser cancerosas. Es relativamente sencillo identificar masas mamográficas sobre tejido adiposo, pero es extremadamente difícil hacerlo sobre tejido denso, debido a las pequeñas diferencias de densidad. Las masas mamográficas se pueden confundir con tejido denso debido a que también son radio opacas. Se diseñaron dos redes neuronales de tres capas cada una para el proceso de clasificación, el número de neuronas de la capa de entrada fue dependiente del número de características extraídas en cada método, el número de nodos de la capa intermedia fue obtenido por experimentación, y se usó una sola neurona en la capa de salida. Las imágenes fueron clasificadas en tres grupos: adiposo, fibroglandular y denso. Se evaluaron 322 mamografías en total, tomadas de The Mammographic Image Analysis Society (MIAS). Usando parámetros estadísticos se obtiene 57.13% de eficiencia y usando el histograma se obtiene 62.45% de eficiencia. Cáncer de mamas, red neuronal, clasificación, densidad de la mama, tipo de tejido, histograma. Abstract Artificial neural networks have been used to classify mammograms, where this classification is carried out according to the type of predominant tissue. This process is used to detect mammographic cancer in women. This paper presents two different approaches for extracting relevant features in mammograms: the first one computes statistical parameters over a set of small windows in the image, whereas the second one uses the histogram of each image. Classifying images using the type of predominant tissue is a previous step required for the task to identify suspicious mamographic mass. This identification is relatively simple if performed over fatty tissue, but it is extremely difficult when done over dense tissue, because of the small differences in densities. Results show that the first approach obtains a 57.13% rate, while the histogram method performs slightly better with a 62.45% rate. Breast cancer, neural network, classification, breast densities, tissue type, histogram