21124

۲۱۱۲۴

تشخيص ناهنجاري در تصاوير ماموگرافي با استفاده از شبكه‌‌هاي مولد رقابتي

كارشناسي ارشد

هوش مصنوعي و رباتيكز

۱۳۹۵

۱۳۹۸/۴/۴

دكتر رضا برنگي

دكتر محمود فتحي

كامپيوتر

در اين رساله با الهام از روش‌‌هاي آشكارسازي ناهنجاري مبتني بر شبكه‌‌هاي مولد رقابتي، يك روش جديد بدون نظارت جهت آشكارسازي ناهنجاري‌‌هاي موجود در تصاوير ماموگرافي پستان ارائه مي‌‌شود. تمامي روش هاي پيشين از رده بندي با نظارت دو كلاسه جهت آشكارسازي ناهنجاري استفاده مي كنند. اين روش ها عمدتا به دنبال رده بندي با نظارت تصاوير حاوي بافت غيرطبيعي به دو كلاس خوش خيم و يا بدخيم هستند در حالي كه روش ما با هدف آشكارسازي بدون نظارت نواحي مشكوك در تصاوير ماموگرافي ارائه مي شود. از اين رو ارائه يك راهكار بدون نظارت جهت آشكارسازي نواحي مشكوك، موجب كاهش هزينه در آماده سازي داده‌‌ها مي‌‌شود. از سوي ديگر، دسترسي به حجم زيادي از تصاوير حاوي ناهنجاري بسيار چالش بر انگيز است. در روش ما تنها از تصاوير با بافت طبيعي جهت آموزش شبكه مولد رقابتي استفاده مي شود. اين شبكه ازU-net تغيير يافته به عنوان مدل مولد و از يك شبكه عميق كانولوشن به عنوان مدل تفكيك كننده بهره مي برد. مدل مولد تنها با استفاده از بافت هاي طبيعي آموزش داده مي شود تا بتواند تصاوير طبيعي ماموگرافي را بازسازي كند در حالي كه مدل تفكيك كننده به دنبال آشكارسازي طبيعي و يا غيرطبيعي بودن تصاوير ورودي است. روش پيشنهادي قادر است كه نواحي مشكوك در تصاوير ماموگرافي را مشخص كند ولي در تشخيص محل دقيق ناحيه ناهنجاري به دليل استفاده از روش تعيين ناحيه ناهنجاري مبتني بر وصله، دقت مناسبي ندارد. روش ارائه شده بر روي مجموعه‌‌هاي داده MIAS و INBreast كه دو مجموعه داده عمومي ماموگرافي مي‌‌باشند مورد ارزيابي قرار مي‌‌گيرد. نتايج نشان مي‌‌دهند كه روش پيشنهادي داراي عملكرد مناسبي در آشكارسازي وصله‌‌هاي حاوي ناهنجاري نسبت به ساير روش‌‌هاي آشكارسازي ناهنجاري مبتني بر شبكه‌‌هاي مولد رقابتي است.

1398/07/09

Anomaly detection in mammography images using generative adversarial networks

10/1/2019 12:00:00 AM

In this thesis, a novel unsupervised method is presented to identify anomalies in breast mammography images using anomaly detection methods based on generative adversarial networks. Previous works approached such anomaly detection tasks using binary classifiers. These methods mainly seek to classify abnormal tissue images to malignant and benign classes, while our method is aimed to detect suspicious areas in mammography images in an unsupervised manner. Hence, providing an unsupervised solution to identify suspicious areas reduces the cost of data preparation. On the other hand, access to a large amount of images with significant anomaly is challenging. In our approach only natural images are used in the learning process in a generative adversarial network. This network uses a modified U-net for the generator model and a deep convolutional network for the discriminator model. The generator model is learned only by using natural tissues to reconstruct natural mammography images while the discriminator model seeks to discriminate real from unreal images. The proposed method is capable of detecting suspicious areas in mammographic images, but it does have an appropriate accuracy on determine the exact location of abnormal areas due to the use of patch-based anomaly detection. The proposed method was evaluated on MIAS and INBreast data sets, which are two general mammographic data sets. The results show that the proposed method has a better performance in identifying abnormal patches in comparison to other abnormal detection methods based on generative adversarial networks.