Literary review of algorithms for segmentation and classification of Artificial Intelligence pathologies applied to breast cancer
Visualitza/Obre
TFE_IvanOrtíFort.pdf (3,037Mb) (Accés restringit)
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/389810
Correu electrònic de l'autorivanortifortgmail.com
Tipus de documentTreball Final de Grau
Data2023-05-23
Condicions d'accésAccés restringit per acord de confidencialitat
(embargat fins 2028-04-27)
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
According to data, breast cancer is a significant health issue and has a considerable economic
impact. This clearly justifies the need for breast cancer screening. However, the current diagnostic
process used in clinical settings is prone to errors. Consequently, there is a requirement for a tool
that can help doctors categorize mammograms into the four BI-RADS categories.
This study presents an approach that uses deep learning. It examines the challenges and difficulties
encountered and evaluates and compares its effectiveness. One dataset of mammograms was
used, with experts having already classified the radiological images using the BI-RADS guidelines.
The images in these datasets belong to categories 1 to 4.
The deep learning approach employed in this study is based on a Convolutional Neural Network
(CNN), namely a ResNet22. The propose is to use two inputs, one for the Cranio-Caudal (CC) view
and another for the Medio-Lateral Oblique (MLO) view. Each input comprises a mammogram image
and two heatmaps. Consequently, we have named the architecture MammoHeatNet (MHN).
The algorithm initially processes the mammogram image by cropping it, extracting optimal centers,
and obtaining the heatmaps. Once the pre-processing is complete, the inputs are fed into the
model, which then classifies them into four BI-RADS categories. To obtain the best model, various
parameter configurations have been tested.
The ultimate model attained a maximum accuracy of 74.19%. The process of training and testing
the model was time-intensive, requiring 150 hours to obtain the best possible model.
In conclusion, the deep learning model used in this study achieve good performance. However, with
the incorporation of a larger dataset for train it and various modifications to the model, even better
results could be achieved. The main contribution of this work is the implementation of a deep
neuronal network that process the images like a human specialist would do it, using to views of the
same mammogram. Segons les dades, el càncer de mama és un important problema de salut i té un considerable
impacte econòmic. Això justifica clarament la necessitat de realitzar revisions de càncer de mama.
No obstant, el procés diagnòstic actual utilitzat en entorns clínics té tendència a cometre errors. En
conseqüència, és necessari disposar d'una eina que pugui ajudar els metges a classificar les
mamografies en les quatre categories BI-RADS.
Aquest estudi presenta una enfocament que utilitza el "deep learning". S'examinen els
desafiaments i dificultats trobades, i s'avalua i compara la seva eficàcia. S'utilitza un conjunt de
dades de mamografies, amb experts que ja han classificat les imatges radiològiques utilitzant les
directrius BI-RADS. Les imatges d'aquests conjunts de dades pertanyen a les categories 1 a 4.
L’algoritme de "deep learning" utilitzat en aquest estudi es basa en una Xarxa Neuronal
Convolucional (CNN), concretament un ResNet22. La proposta és utilitzar dues entrades, una per a
la vista Cranio-Caudal (CC) i una altra per a la vista Medio-Lateral Oblique (MLO). Cada entrada
comprèn una imatge de mamografia i dues "heatmaps". Per tant, s'ha nomenat a l'arquitectura
MammoHeatNet (MHN).
L'algoritme processa inicialment la imatge de mamografia, retallant-la, extraient centres òptims i
obtenint les "heatmaps". Una vegada que el pre-processament està complet, les entrades es duen
al model, que les classifica en les quatre categories BI-RADS. Per obtenir el millor model, s'han
provat diverses configuracions de paràmetres.
El model final assolit va obtenir una precisió màxima del 74.19%. El procés d'entrenament i prova
del model va requerir molt de temps, amb un total de 150 hores per obtenir el millor model
possible.
En conclusió, el model de "deep learning" utilitzat en aquest estudi aconsegueix un bon rendiment.
No obstant, amb la incorporació d'un conjunt de dades més gran per a l'entrenament i diverses
modificacions al model, es podrien obtenir resultats encara millors. La principal contribució
d'aquest treball és la implementació d'una xarxa neuronal profunda que processa les imatges com
ho faria un especialista humà, utilitzant dues vistes de la mateixa mamografia. Según los datos, el cáncer de mama es un problema de salud significativo y tiene un impacto
económico considerable. Esto justifica claramente la necesidad de realizar revisiones de cáncer de
mama. Sin embargo, el proceso diagnóstico actual utilizado en entornos clínicos tiende a cometer
errores. En consecuencia, es necesario disponer de una herramienta que pueda ayudar a los
médicos a clasificar las mamografías en las cuatro categorías BI-RADS.
Este estudio presenta un enfoque que utiliza el "deep learning". Se examinan los desafíos y
dificultades encontradas, y se evalúa y compara su eficacia. Se utiliza un conjunto de datos de
mamografías, con expertos que ya han clasificado las imágenes radiológicas utilizando las
directrices BI-RADS. Las imágenes de estos conjuntos de datos pertenecen a las categorías 1 a 4.
El algoritmo de "deep learning" empleado en este estudio se basa en una Red Neuronal
Convolucional (CNN), concretamente un ResNet22. La propuesta es utilizar dos entradas, una para
la vista Cranio-Caudal (CC) y otra para la vista Medio-Lateral Oblicua (MLO). Cada entrada
comprende una imagen de mamografía y dos "heatmaps". Por tanto, se ha nombrado a la
arquitectura MammoHeatNet (MHN).
El algoritmo procesa inicialmente la imagen de mamografía, recortándola, extrayendo centros
óptimos y obteniendo las "heatmaps". Una vez que el preprocesamiento está completo, las
entradas se entran al modelo, que las clasifica en las cuatro categorías BI-RADS. Para obtener el
mejor modelo, se han probado varias configuraciones de parámetros.
El modelo final alcanzó una precisión máxima del 74,19%. El proceso de entrenamiento y prueba
del modelo requirió mucho tiempo, con un total de 150 horas para obtener el mejor modelo
posible.
En conclusión, el modelo de "deep learning" utilizado en este estudio logra un buen rendimiento.
Sin embargo, con la incorporación de un conjunto de datos más grande para el entrenamiento y
diversas modificaciones al modelo, se podrían obtener resultados aún mejores. La principal
contribución de este trabajo es la implementación de una red neuronal profunda que procesa las
imágenes como lo haría un especialista humano, utilizando dos vistas de la misma mamografía.
TitulacióGRAU EN ENGINYERIA BIOMÈDICA (Pla 2009)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
TFE_IvanOrtíFort.pdf | 3,037Mb | Accés restringit |