National and Kapodistrian University of Athens
Classification of Volume Regions as Cancer Tumors in Three-Dimensional Breast Magnetic Resonance Imaging Using Deep Learning and Convolutional Neural Networks
Abstract
dc:descriptionΟ καρκίνος του μαστού παραμένει μια από τις πιο διαδεδομένες και απειλητικές για τη ζωή ασθένειες που επηρεάζουν τις γυναίκες παγκοσμίως. Η έγκαιρη και ακριβής διάγνωση είναι καθοριστικής σημασίας για τη βελτίωση των αποτελεσμάτων και των ποσοστών επιβίωσης των ασθενών. Η μαγνητική τομογραφία (MRI) έχει αναδειχθεί ως ένα σημαντικό εργαλείο για την ανίχνευση και τη χαρακτηρισμό του καρκίνου του μαστού λόγω των δυνατοτήτων υψηλής ανάλυσης και της ευαισθησίας της στην αντίθεση των μαλακών ιστών. Ωστόσο, η πολυπλοκότητα και ο όγκος των δεδομένων της MRI παρουσιάζουν σημαντικές προκλήσεις για τους ακτινολόγους, απαιτώντας την ανάπτυξη αυτοματοποιημένων και αξιόπιστων μεθόδων ανάλυσης και ταξινόμησης εικόνων. Τα τελευταία χρόνια, η εμφάνιση της βαθιάς μάθησης και των Συνελικτικών Νευρωνικών Δικτύων (CNNs) έχει φέρει επανάσταση στον τομέα της ιατρικής απεικόνισης, προσφέροντας άνευ προηγουμένου ακρίβεια και αποδοτικότητα σε εργασίες ταξινόμησης εικόνων. Μεταξύ των διαφόρων αρχιτεκτονικών CNN, τα Πυκνά Συνεδεδεμένα Συνελικτικά Δίκτυα (DenseNet) έχουν κερδίσει ιδιαίτερη προσοχή λόγω της καλής απόδοσης τους σε τέτοιου τύπου εργασίες. Αυτή η διπλωματική εργασία επικεντρώνεται στην εφαρμογή αρχιτεκτονικών DenseNet στην ταξινόμηση περιοχών όγκου ως καρκινικούς όγκους σε τρισδιάστατες μαγνητικές τομογραφίες μαστού. Συγκεκριμένα, αξιολογούμε την απόδοση τεσσάρων παραλλαγών DenseNet—DenseNet121, DenseNet169, DenseNet201 και DenseNet264—στην ακριβή αναγνώριση κακοήθων περιοχών εντός των MRI του μαστού. Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή τη μελέτη προέρχονται από την ACRIN 6698, μια πολυκεντρική μελέτη που στοχεύει στην αξιολόγηση της αποτελεσματικότητας της απεικόνισης της μοριακής διάχυσης (DWI) όσον αφορά την απόκριση του καρκίνου του μαστού στη επικουρική χημειοθεραπεία (NAC). Αυτή η μελέτη ήταν μέρος της μεγαλύτερης της I-SPY 2, η οποία επιδιώκει νέες θεραπείες για τον καρκίνο του μαστού. Συνολικά 406 γυναίκες με διηθητικό καρκίνο του μαστού εγγράφηκαν σε δέκα ιδρύματα μεταξύ Αυγούστου 2012 και Ιανουαρίου 2015. Οι συμμετέχουσες υποβλήθηκαν σε DWI μαστού χρησιμοποιώντας πρωτόκολλο 4-b value, μαζί με τις τυπικές απεικονίσεις T2- weighted και dynamic contrast-enhanced (DCE) σε τέσσερα στάδια της NAC: πριν τη θεραπεία (T0), στην αρχή της θεραπείας μετά από τρεις κύκλους paclitaxel (T1), στη μέση της θεραπείας μεταξύ paclitaxel και AC (T2) και μετά τη θεραπεία (T3). Από τους 272 ασθενείς που έλαβαν θεραπεία, 242 περιλήφθηκαν στην πρωτογενή ανάλυση. Για να αντιμετωπίσουμε τις εγγενείς προκλήσεις στη διαχείριση των τρισδιάστατων δεδομένων ιατρικής απεικόνισης, χρησιμοποιήσαμε την βιβλιοθήκη Medical Open Network for AI (MONAI). Η MONAI, σχεδιασμένη ειδικά για την ιατρική απεικόνιση, παρέχει ισχυρά εργαλεία για αύξηση δεδομένων και προ-επεξεργασία, τα οποία είναι κρίσιμα για την ενίσχυση του συνόλου δεδομένων και τη βελτίωση της απόδοσης των μοντέλων. Σε αυτή τη μελέτη, εφαρμόστηκαν τεχνικές αύξησης δεδομένων, συμπεριλαμβανομένων τυχαίων περιστροφών, αναστροφών και ρυθμίσεων έντασης. Επιπλέον, αναπτύξαμε έναν προσαρμοσμένο αλγόριθμο αποκοπής των ΜRI εικόνων για να αυξήσουμε των αριθμό αυτών. Οι αποκομμένες εικόνες στη συνέχεια υποβλήθηκαν σε επεξεργασία από τις αρχιτεκτονικές DenseNet για ταξινόμηση. Ο κύριος στόχος αυτής της μελέτης είναι να αξιολογήσει την διαγνωστική ακρίβεια αυτών των μοντέλων, μια κρίσιμη μετρική που δείχνει την αναλογία των σωστά ταξινομημένων εικόνων από το σύνολο. Τα ευρήματά μας αποκαλύπτουν ότι τα DenseNet121, DenseNet169 και DenseNet264 παρουσιάζουν ανθεκτική απόδοση με ακρίβεια 81.48%, υποδεικνύοντας μια σταθερή ικανότητα στη διάκριση λεπτών χαρακτηριστικών που υποδηλώνουν κακοήθειες μαστού. Αντίθετα, το DenseNet201 παρουσιάζει ελαφρώς χαμηλότερη ακρίβεια 77.78%, τονίζοντας την ανάγκη για πε- ραιτέρω διερεύνηση των αρχιτεκτονικών λεπτομερειών που συμβάλλουν στις διαφορές στην απόδοση. Πέρα από την ακρίβεια, εξετάζουμε επίσης την υπολογιστική αποδοτικότητα και την πολυπλοκότητα των μοντέλων αυτών των αρχιτεκτονικών. Η αποδοτική χρήση παραμέτρων και η πυκνή συνδεσιμότητα των μοντέλων DenseNet τα καθιστούν υποσχόμενα για την καθημερινή κλινική πράξη, όπου οι υπολογιστικοί πόροι και η ταχύτητα διάγνωσης είναι κρίσιμες παράμετροι. Η σημασία αυτής της μελέτης έγκειται στην λεπτομερή αξιολόγηση των αρχιτεκτονικών DenseNet για την ταξινόμηση καρκίνου του μαστού σε MRI, παρέχοντας πολύτιμες γνώσεις για την αποδοτικότητά τους και τις δυνατότητές τους για κλινική εφαρμογή. Με την αποσαφήνιση των διαφορών στην απόδοση μεταξύ των διαφορετικών μοντέλων DenseNet, αυτή η εργασία όχι μόνο επικυρώνει τη χρησιμότητά τους στη ιατρική διάγνωση αλλά και προσφέρει καθοδήγηση για τη βελτιστοποίηση των στρατηγικών επιλογής και ανάπτυξης μοντέλων στην κλινική πρακτική.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Κάιτατζη Χριστίνα-Συμίνα
- Kaitatzi Christina-Symina
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3413269