31085

آشكارسازي تومور در تصاوير سه بعدي اولتراسوند خودكار پستان مبتني بر يادگيري خودنظارتي

كارشناسي ارشد

مهندسي كامپيوتر- هوش مصنوعي و رباتيكز

1400

1403/4/19

محسن سرياني

حميد بهنام - احسان اله گوزه گر

مهندسي كامپيوتر

سرطان يك بيماري كشنده است كه دليل بروز آن گسترش نامطلوب سلول‌ها در بدن است. سرطان پستان، رايج‌ترين و كشنده‌ترين سرطان در زنان است. بنابراين تشخيص اين سرطان در مراحل اوليه وقوع، در كاهش نرخ مرگ و مير تاثير بسيار زيادي دارد. فناوري‌هاي جديد هوش مصنوعي مي‌توانند به راديولوژيست‌ها در بررسي دقيق‌تر تصاوير پزشكي كمك كنند و باعث بهبود و اثربخشي درمان بيمار شوند. اخيرا نوع جديدي از تصويربرداري پزشكي پستان تحت عنوان اولتراسوند خودكار پستان به عنوان جايگزيني براي تصاوير ماموگرافي كه خطراتي براي بيمار به همراه دارد، به كار گرفته مي‌شود. اين تصاوير در كنار مزايايي كه دارند به دليل بافت پيچيده و نويز موجود در آن‌ها، تشخيص توده را چالش برانگيز مي كنند. همچنين با توجه به تعداد بالاي برش‌ها در هر حجم برچسب گذاري اين تصاوير براي متخصص زمانبر و پرهزينه است بنابراين تعداد كم نمونه‌هاي آموزشي يك چالش اصلي در اين زمينه محسوب مي‌شود. هدف از انجام اين مطالعه بكارگيري رويكرد يادگيري خودنظارتي و طراحي چارچوبي است كه بتواند از داده‌هاي بدون برچسب نيز اطلاعاتي فراگيرد و از اين دانش در انجام آشكارسازي خودكار توده‌ها در تصاوير اولتراسوند خودكار پستان استفاده كند. براي پياده‌سازي اين چارچوب يك مدل نوين شبكه عصبي كانولوشني دو مرحله‌اي معرفي شد. قسمت اول معماري كه مبتني بر مدل معروف U-Netسه‌بعدي است و با نام DATTR2U-Net معرفي مي‌شود در ابتدا با استفاده از رويكرد يادگيري چندوظيفه‌اي بر روي وظيفه‌هاي كمكي آموزش مي‌بيند. سپس با الحاق مدل قسمت دوم وظيفه آشكارسازي كه يك شبكه كاملا كانولوشني است بر روي مجموعه‌دادگان برچسب‌دار محدود تنظيم دقيق مي‌شود. اهداف اصلي اين تحقيق دست‌يابي به معيار فراخواني بالا در كنار نرخ پايين مثبت كاذب است تا با آشكارسازي حداكثر توده‌ها و عدم توليد تخمين‌هاي اشتباه به عنوان يك سامانه تصميم‌يار براي پزشك مفيد واقع شود. نتايج اين مدل با حالات مختلف و ساير مقالات مقايسه شد. روش پيشنهادي با فراخواني 0.7963 و نرخ مثبت كاذب بر حجم 5.67 در مجموعه دادگان TDSC-ABUS كه يكي از چالشي‌ترين مجموعه‌دادگان موجود در اين زمينه است، برتري خود نسبت به ساير مقالات لبه علم را نشان داد.

1403/05/17

A self-supervised method for tumor detection in 3D automated breast ultrasound images

1/1/1900 12:00:00 AM

Breast cancer is the most common and lethal cancer among women worldwide. Early detection using medical imaging technologies can significantly improve treatment outcomes. Automated breast ultrasound, known as ABUS, offers more advantages compared to traditional mammography and has recently gained considerable attention. However, reviewing thousands of ABUS slices imposes a high workload on radiologists, increasing review time and potentially leading to diagnostic errors. Consequently, there is a strong need for efficient computer-aided detection, CADe, systems. In recent years, researchers have proposed deep learning-based CADe systems to enhance tumor detection accuracy. However, these methods are highly dependent on the number of training samples and often struggle to balance detection accuracy with the false positive rate. To reduce the workload for radiologists and achieve high detection sensitivity with a low false positive rate, this study introduces a novel CADe system based on a self-supervised framework that leverages unannotated ABUS datasets to improve detection results. The proposed framework is integrated into an innovative 3D convolutional neural network called DATTR2U-Net, which employs a multi-task learning approach to simultaneously train inpainting and denoising pretext tasks. A fully convolutional network is then attached to the DATTR2U-Net for the detection task. The proposed method is validated on the TDSC-ABUS public dataset, demonstrating promising detection results with a recall of 0.7963 and a false positive rate of 5.67 per volume that signifies its potential to improve detection accuracy while reducing workload for radiologists.

سرطان پستان , آشكارسازي تومور , اولتراسوند خودكار پستان , يادگيري خودنظارتي

Breast cancer , Tumor detection , Automated breast ultrasound , Self-supervised Learning

Pooriya Mohammadi Nasab

Dr. Mohsen Soryani