Avaliação da caracterização de lesões em mamografia com recurso a sistemas CAD (Diagnóstico Assistido por Computador): sistemas CAD em mamografia
Type
other
Creator
Identifier
PERRE, Ana Catarina Filipe (2019) - Avaliação da caracterização de lesões em mamografia com recurso a sistemas CAD (Diagnóstico Assistido por Computador) : sistemas CAD em mamografia. Castelo Branco: IPCB, ESALD. XVII, 44 p.
Title
Avaliação da caracterização de lesões em mamografia com recurso a sistemas CAD (Diagnóstico Assistido por Computador): sistemas CAD em mamografia
Subject
Mamografia
Imagem de mamografia
Cancro de mama
Diagnóstico assistido com computador (CAD)
Dimensão fractal
Redes neuronais de convolução (CNN)
Transfer learning
Support vector machine (SVM)
Deep learning
Mammography
Mammographic image
Breast cancer
Computed-aided diagnosis (CAD)
Fractal dimension
Convolutional neural network (CNN)
Transfer learning
Support vector machine (SVM)
Deep learning
Imagem de mamografia
Cancro de mama
Diagnóstico assistido com computador (CAD)
Dimensão fractal
Redes neuronais de convolução (CNN)
Transfer learning
Support vector machine (SVM)
Deep learning
Mammography
Mammographic image
Breast cancer
Computed-aided diagnosis (CAD)
Fractal dimension
Convolutional neural network (CNN)
Transfer learning
Support vector machine (SVM)
Deep learning
Date
2020-10-27T12:07:49Z
2020-10-27T12:07:49Z
2019
2020-10-27T12:07:49Z
2019
Description
Provas públicas apresentadas à Escola Superior de Saúde Dr. Lopes Dias do Instituto Politécnico de Castelo Branco para o cumprimento dos requisitos necessários à obtenção do título de Especialista.
Os sistemas Computer-Aided Detection/Diagnosis (CAD) auxiliam os médicos na deteção e diferenciação de lesões benignas e malignas, aumentando a performance no diagnóstico do cancro da mama. As lesões da mama estão fortemente correlacionadas com a forma do contorno: lesões benignas apresentam contornos regulares, enquanto as lesões malignas tendem a apresentar contornos irregulares. Desta forma, neste estudo, em primeiro lugar, foram utilizadas medidas quantitativas baseadas na dimensão fractal (DF), as quais podem ajudar na caracterização dos contornos regulares ou irregulares das lesões encontradas nas imagens de mamografia, sendo calculadas através da aplicação do método “box-counting”, diretamente em imagens de lesões segmentadas e após a aplicação de um algoritmo de dilatação/erosão. Seguidamente, foi testada a aplicação de Redes Neuronais de Convolução (CNN), as quais têm sido recentemente utilizadas, com elevado grau de sucesso, na deteção e classificação de patologias em diferentes modalidades de imagem médica, incluindo a mamografia. Uma vez que as bases de dados de mamografia disponíveis apresentam um número reduzido de amostras, existe uma forma de ultrapassar esta limitação através do uso do método de “transfer learning”, no qual uma rede previamente treinada num grande conjunto de imagens comuns, é posteriormente ajustada para ser aplicada a uma base de dados com imagens de mamografia. Foram utilizados três modelos CNN pré-treinados, tendo sido avaliada a sua performance na classificação de lesões em imagens antes e após a aplicação de um processo de normalização. Também foi avaliada a performance de uma Support Vector Machine (SVM) com a utilização de características extraídas das CNN isoladamente ou combinadas com “handcrafted features”. Os resultados obtidos são encorajadores e podem ajudar a melhorar o diagnóstico automático de lesões em mamografia.
ABSTRACT: Computer‑Aided Systems can assist differentiation and classification of breast benign and malignant lesions enhanced the performance of breast cancer diagnosis. Breast lesions are strongly correlated with their shape: benign lesions present regular shape, although malignant lesions tend to present irregular shape. Therefore, in this work, firstly, were used quantitative measures based on fractal dimension (FD), which can help characterizing the smoothness or the roughness of mammographic lesion shape, being calculated through the box‑counting method, directly from manually segmented lesions, and after applying a region growing/erosion algorithm. Then, Convolutional neural networks (CNNs) application were tested, which have recently been successfully used in the medical field to detect and classify pathologies in different imaging modalities, including in mammography. Since the mammographic databases have a restricted number of samples, one way to solve this problem is using a transfer learning approach, in which a CNN, previously pre-trained with a large amount of labelled non-medical data, is subsequently finetuned using a smaller dataset of mammographic images. Were applied three different pre-trained networks and evaluated their performance to classify lesions in mammograms is affected by the use, or not, of normalized images. Was also evaluated the performance of a support vector machine (SVM) fed with features extracted from the CNN and the combined use of handcrafted features to complement the CNN-extracted features. The obtained results are encouraging and can help to improve computer-aided diagnostic of mammographic lesions.
info:eu-repo/semantics/publishedVersion
Os sistemas Computer-Aided Detection/Diagnosis (CAD) auxiliam os médicos na deteção e diferenciação de lesões benignas e malignas, aumentando a performance no diagnóstico do cancro da mama. As lesões da mama estão fortemente correlacionadas com a forma do contorno: lesões benignas apresentam contornos regulares, enquanto as lesões malignas tendem a apresentar contornos irregulares. Desta forma, neste estudo, em primeiro lugar, foram utilizadas medidas quantitativas baseadas na dimensão fractal (DF), as quais podem ajudar na caracterização dos contornos regulares ou irregulares das lesões encontradas nas imagens de mamografia, sendo calculadas através da aplicação do método “box-counting”, diretamente em imagens de lesões segmentadas e após a aplicação de um algoritmo de dilatação/erosão. Seguidamente, foi testada a aplicação de Redes Neuronais de Convolução (CNN), as quais têm sido recentemente utilizadas, com elevado grau de sucesso, na deteção e classificação de patologias em diferentes modalidades de imagem médica, incluindo a mamografia. Uma vez que as bases de dados de mamografia disponíveis apresentam um número reduzido de amostras, existe uma forma de ultrapassar esta limitação através do uso do método de “transfer learning”, no qual uma rede previamente treinada num grande conjunto de imagens comuns, é posteriormente ajustada para ser aplicada a uma base de dados com imagens de mamografia. Foram utilizados três modelos CNN pré-treinados, tendo sido avaliada a sua performance na classificação de lesões em imagens antes e após a aplicação de um processo de normalização. Também foi avaliada a performance de uma Support Vector Machine (SVM) com a utilização de características extraídas das CNN isoladamente ou combinadas com “handcrafted features”. Os resultados obtidos são encorajadores e podem ajudar a melhorar o diagnóstico automático de lesões em mamografia.
ABSTRACT: Computer‑Aided Systems can assist differentiation and classification of breast benign and malignant lesions enhanced the performance of breast cancer diagnosis. Breast lesions are strongly correlated with their shape: benign lesions present regular shape, although malignant lesions tend to present irregular shape. Therefore, in this work, firstly, were used quantitative measures based on fractal dimension (FD), which can help characterizing the smoothness or the roughness of mammographic lesion shape, being calculated through the box‑counting method, directly from manually segmented lesions, and after applying a region growing/erosion algorithm. Then, Convolutional neural networks (CNNs) application were tested, which have recently been successfully used in the medical field to detect and classify pathologies in different imaging modalities, including in mammography. Since the mammographic databases have a restricted number of samples, one way to solve this problem is using a transfer learning approach, in which a CNN, previously pre-trained with a large amount of labelled non-medical data, is subsequently finetuned using a smaller dataset of mammographic images. Were applied three different pre-trained networks and evaluated their performance to classify lesions in mammograms is affected by the use, or not, of normalized images. Was also evaluated the performance of a support vector machine (SVM) fed with features extracted from the CNN and the combined use of handcrafted features to complement the CNN-extracted features. The obtained results are encouraging and can help to improve computer-aided diagnostic of mammographic lesions.
info:eu-repo/semantics/publishedVersion
Access restrictions
openAccess
http://creativecommons.org/licenses/by/4.0/
http://creativecommons.org/licenses/by/4.0/
Language
por
Comments
