A carregar...
Publicação
End-to-end deep learning pipeline for breast cancer detection, segmentation and classification in contrast-enhanced spectral mammography
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 18.49 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
O cancro da mama é a doença cancerígena mais prevalente entre as mulheres e a segunda mais preva lente mundialmente. Cerca de 30 a 50% dos casos podem ser prevenidos evitanto fatores de risco e
implementando estratégias de prevenção, como os programas de rastreio. Com os avanços tecnológicos,
surgiu uma nova técnica radiológica chamada Mamografia Espectral de Contraste, que produz imagens
de alta resolução, onde são facilmente observáveis as áreas com maior fluxo sanguíneo, característico do
processo de angiogénese nos tumores, devido à injeção de contraste iodado endovenoso. Após a admin istração deste agente de contraste, realiza-se uma aquisição simultânea com alta e baixa energia, onde é
feita uma imagem recombinada a partir destas duas, ficando evidenciadas as áreas que captam contraste.
Esta técnica pode resolver algumas das barreiras existentes na mamografia convencional, como lesões
equívocas, deteção de lesões em tecido mamário denso, a avaliação da extensão das lesões e a possível
recorrência tumoral, podendo ser um exame a optar caso a realização de uma ressonância magnética não
seja possível.
Há, cada vez mais, um maior número de trabalhos de investigação dedicados à área do cancro da
mama. Contudo, a escassez de datasets disponíveis online ou a falta de hospitais/instituições que prati cam este novo exame como rotina, faz com que sejam difíceis aplicar metodologias no âmbito das ciência
dos dados. As metodologias computacionais têm a vantagem de poder encontrar padrões que os humanos,
a olho nu, podem ter dificuldade em, ou até mesmo não conseguirem, visualizar. Muitas tarefas que os
radiologistas fazem rotineiramente em contexto de diagnóstico, como, por exemplo, desenhar detalhada mente o limite de uma lesão, podem ser ajudados usando um algoritmo de aprendizagem automática. Por
vezes, também podem escapar ao correto diagnóstico algumas lesões malignas e um algoritmo poderá
reduzir a probabilidade de cometer este erro.
Assim, testar a aplicação destas metodologias neste tipo de exames, de forma a avaliar os seus poten ciais benefícios, pode demonstrar-se uma mais-valia.
Desta forma, neste projeto foram usadas 80 mamografias espectrais de contraste, sendo que cada
exame tem, no máximo, 8 imagens.
Assim, desenvolveu-se duas pipelines com arquiteturas semelhantes, que serão treinadas com as im agens de baixa energia ou com as imagens subtraídas, não simultaneamente.
A primeira pipeline irá executar três distintas tarefas em sequência. Primeiramente, será usada uma
rede neural convolucional YOLOv5, com a tarefa de localizar a lesão na imagem, desenhando uma caixa
que encapsula toda a lesão. Posteriormente, esta informação acerca da localização da lesão é dada à
segunda rede UNet, tendo como objetivo segmentar a lesão baseando-se nessa região de interesse. Devido ao potencial crescente da radiómica, uma subárea recente no universo da oncologia, neste
projeto foi implementado o seu uso para a extração de features. A terceira tarefa da pipeline, terá o
objetivo de classificar a lesão como benigna ou maligna, baseando-se nas features extraídas das previsões
dos modelos UNet.
Estas features foram obtidas usando o Pyradiomics, uma biblioteca the Python, muito utilizada para
a extração de features automaticamente, baseada em configurações adequadas ao tipo de imagem e con texto médico. Ao contrário das features extraídas à mão pelos radiologistas, este processo consegue obter
características importantes das imagens médicas que não são observáveis pelo olho humano. Contudo,
ainda não existem linhas guias na literatura de como podemos extrair features mais otimizadas e infor mativas no nosso contexto.
Obtidas as features radiómicas de ambos os tipos de imagem, (imagem de baixa energia e imagem
subtraída) treinámos dois tipos de classificador com estes dados, neste caso árvores de decisão e random
forest.
A segunda pipeline, da mesma forma que as primeira, é treinada com as imagens de baixa energia
ou as imagens subtraídas. Nesta apenas executámos sequencialmente duas tarefas, igual à da primeira
pipeline, de localização da lesão e posterior classificação em benigno ou maligno, com base nas features
radiómicas, extraídas com os mesmos parâmetros anteriormente usados para cada tipo de imagem das
previsões do modelo YOLOv5.
Com estas pipelines, tendo diferentes variações entre si, quisemos avaliar estatisticamente, por um
lado, a diferença de informação que cada tipo de imagem fornece aos modelos e se com uma delas é
mais fácil o diagnóstico da lesão. Por outro lado, o objetivo foi testar, também, a necessidade de ter uma
segmentação com um limite rigoroso, ou se basta a localização da lesão para obter bons resultados de
diagnóstico da lesão.
Concluindo, apesar dos poucos dados usados neste trabalho, os resultados obtidos sugerem que, de um
modo geral, as imagens subtraídas conferem um melhor desempenho de diagnóstico e, da mesma forma,
que a localização da lesão pode ser suficiente para classificar uma lesão, com resultados razoáveis, como
benigna ou maligna.
Breast cancer is the most prevalent cancerous disease amongst women and the second most prevalent worldwide, causing millions of deaths each year. Around 30-50% of them can be prevented by avoiding risk factors and implementing prevention strategies, like screening programs. With the technological ad vances, a novel medical imaging modality called Contrast-Enhanced Spectral Mammography (CESM) has been developed. This technique produces high-resolution images, being easier to observe the areas with increased blood flow, characteristic of the angiogenesis process in tumors, due to an injected io dine contrast agent. It is important to apply computational methods in this kind of exam to evaluate the potential benefits. With this goal in mind, we used 80 CESM exams, where each one containing the maximum of 8 images. Two different pipelines were implemented, with identical deep neural network architectures, which were trained with either low-dose images or subtracted images evidencing the contrast. One of the pipelines includes a first network for locating the lesion, which then forwards the information to a segmen tation network that segments the lesion, and finally a classifier, based on the radiomic features extracted from the previous predictions, which classifies the lesion as benign or malignant. The other pipeline only detects and classifies, based on the radiomic features extracted from bounding boxes, without segmen tation. At the end of this study we conducted statistical evaluations to compare the performance metrics of each model on a test set of 20 patients, and answer the questions of whether the subtracted images provide better information about the lesion, and whether it is necessary to perform lesion segmentation.
Breast cancer is the most prevalent cancerous disease amongst women and the second most prevalent worldwide, causing millions of deaths each year. Around 30-50% of them can be prevented by avoiding risk factors and implementing prevention strategies, like screening programs. With the technological ad vances, a novel medical imaging modality called Contrast-Enhanced Spectral Mammography (CESM) has been developed. This technique produces high-resolution images, being easier to observe the areas with increased blood flow, characteristic of the angiogenesis process in tumors, due to an injected io dine contrast agent. It is important to apply computational methods in this kind of exam to evaluate the potential benefits. With this goal in mind, we used 80 CESM exams, where each one containing the maximum of 8 images. Two different pipelines were implemented, with identical deep neural network architectures, which were trained with either low-dose images or subtracted images evidencing the contrast. One of the pipelines includes a first network for locating the lesion, which then forwards the information to a segmen tation network that segments the lesion, and finally a classifier, based on the radiomic features extracted from the previous predictions, which classifies the lesion as benign or malignant. The other pipeline only detects and classifies, based on the radiomic features extracted from bounding boxes, without segmen tation. At the end of this study we conducted statistical evaluations to compare the performance metrics of each model on a test set of 20 patients, and answer the questions of whether the subtracted images provide better information about the lesion, and whether it is necessary to perform lesion segmentation.
Descrição
Tese de Mestrado, Bioinformática e Biologia Computacional, 2022, Universidade de Lisboa, Faculdade de Ciências
Palavras-chave
Aprendizagem Profunda Rede Neuronal Convulsional Cancro da mama Mamografia Espectral de Contraste Radiómica Teses de mestrado - 2022