Palta, FelipeGarcía Gallego, Fabián Antoyne2026-02-262026-02-262025http://hdl.handle.net/11522/5335Early detection of breast cancer through mammography is a problem of high clinical impact; however, manual localization of masses can be laborious due to low contrast, tissue overlap, and high morphological variability of lesions. This work presents an automatic mass detection system in digitized mammograms using the one-stage YOLO family of detectors. The mass subset of the CBIS-DDSM dataset was used to build a preprocessing pipeline that (i) loads mammograms in DICOM format, (ii) uses ROI masks to derive consistent bounding boxes, and (iii) generates annotations in YOLO format and training, validation, and test partitions. A pre-trained YOLOv8m model was selected as the base model and fine-tuned via transfer learning to a single class (mass) with imgsz=640. On the validation set, the model achieved P = 0,586, R = 0,544, mAP@0,5 = 0,533, and mAP@0,5:0,95 = 0,243. For a more clinically interpretable evaluation, an inference pipeline with post-processing based on Extra NMS was implemented to remove highly overlapping duplicate detections, and two complementary metrics were computed: (i) the Jaccard Index (IoU) to quantify spatial agreement between predictions and ground truth, and (ii) an FROC curve (sensitivity vs. FPPI) to analyze the trade-off between sensitivity and false positives per image. On the test set, 39,61 % of the images exhibited IoU ≥ 0,60 (143 of 361), and the FROC analysis reported sensitivities of 0.5435 at FPPI ≤ 0,5, 0.6332 at FPPI ≤ 1,0, and 0.6860 at FPPI ≤ 2,0. These results suggest that the proposed approach can localize masses with significant spatial concordance in a relevant fraction of cases, providing a reproducible basis for clinical decision support systems.Detección temprana del cáncer de mama mediante mamografía es un problema de alto impacto clínico; sin embargo, la localización manual de masas puede ser laboriosa debido al bajo contraste, la superposición de tejidos y la alta variabilidad morfológica de las lesiones. Este trabajo presenta un sistema automático de detección de masas en mamografías digitalizadas utilizando la familia de detectores de una sola etapa YOLO. El subconjunto de masas del conjunto de datos CBIS‑DDSM se empleó para construir una ruta de preprocesamiento que: (i) carga mamografías en formato DICOM, (ii) utiliza máscaras ROI para derivar cajas delimitadoras coherentes y (iii) genera anotaciones en formato YOLO y particiones de entrenamiento, validación y prueba. Se seleccionó un modelo YOLOv8m preentrenado como modelo base y se ajustó mediante aprendizaje por transferencia para una sola clase (masa), con imgsz = 640. En el conjunto de validación, el modelo alcanzó P = 0,586, R = 0,544, mAP@0,5 = 0,533 y mAP@0,5:0,95 = 0,243. Para una evaluación con mayor interpretación clínica, se implementó una ruta de inferencia con posprocesamiento basado en Extra NMS para eliminar detecciones duplicadas con alto solapamiento, y se calcularon dos métricas complementarias: (i) el Índice de Jaccard (IoU) para cuantificar el grado de coincidencia espacial entre predicciones y valores reales, y (ii) una curva FROC (sensibilidad vs. FPPI) para analizar la relación entre sensibilidad y falsos positivos por imagen. En el conjunto de prueba, el 39,61 % de las imágenes presentó IoU ≥ 0,60 (143 de 361), y el análisis FROC reportó sensibilidades de 0,5435 con FPPI ≤ 0,5, 0,6332 con FPPI ≤ 1,0, y 0,6860 con FPPI ≤ 2,0. Estos resultados sugieren que el enfoque propuesto puede localizar masas con una concordancia espacial significativa en una proporción relevante de casos, proporcionando una base reproducible para sistemas de apoyo a la toma de decisiones clínicas.63 p.application/pdfspaMamografíaDetección de objetosYOLOv8CBIS‑DDSMÍndice de JaccardMammographyObject detectionJaccard indexbachelor thesishttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2