14557

سنتز تصاوير با وضوح بالاي ماموگرافي پستان با تراكم بالا: كاربردي براي بهبود كيفيت در تشخيص توده مبتني بر يادگيري عميق

1400

دكتر جواد وحيدي

استاد مشاور نداشتم

سيستم‌هاي تشخيص به كمك كامپيوتر مبتني بر يادگيري عميق عملكرد خوبي در تشخيص سرطان سينه نشان داده‌اند. با اين حال، در سينه‌هاي با تراكم بالا عملكرد تشخيص ضعيف‌تري دارند، زيرا بافت‌هاي متراكم مي‌توانند توده‌ها را بپوشانند يا حتي شبيه‌سازي كنند. بنابراين حساسيت {دقت} ماموگرافي براي تشخيص سرطان سينه در سينه هاي متراكم، مي‌تواند تا بيش از 20 درصد كاهش يابد. علاوه بر اين، افزايش خطر ابتلا به سرطان براي موارد بسيار متراكم در مقايسه با سينه‌هاي كم تراكم گزارش شده‌است. هدف اين مطالعه بهبود عملكرد تشخيص توده در سينه‌هاي پرتراكم با استفاده از تصاوير مصنوعي ماموگرافي ديجيتالي تمام ميدان از سينه هاي پرتراكم (FFDM) به عنوان افزايش داده‌ها در طول آموزش مدل تشخيص توده پستان است. براي اين منظور، در مجموع پنج مدل GAN سازگار با چرخه(CycleGAN) با استفاده از سه مجموعه داده FFDM براي ترجمه {تبديل} تصوير با چگالي كم به تصوير با چگالي بالا در تصاوير ماموگرافي با وضوح بالا آموزش داده شدند. تصاوير آموزشي بر اساس دسته هاي BI-RADS تراكم سينه تقسيم شدند، سينه هاي BI-RADS A تقريباً كاملاً چرب و BI-RADS D بسيار متراكم هستند. نتايج نشان داد كه تكنيك پيشنهادي تقويت داده‌ها حساسيت و دقت تشخيص توده را در مدل‌هاي آموزش‌ديده با مجموعه داده‌هاي كوچك بهبود مي‌بخشد و تعميم دامنه مدل‌هاي آموزش ديده با پايگاه داده‌هاي بزرگ را بهبود مي‌بخشد. علاوه بر اين، واقع گرايي باليني تصاوير سنتز شده در يك مطالعه خواننده شامل دو راديولوژيست خبره و يك جراح انكولوژيست ارزيابي شد.

11/8/2023 12:00:00 AM

86073

1403/12/15

High-resolution synthesis of high-density breast mammograms Application to improved fairness in deep learning based mass detection

سنتز داده ها , ماموگرافي ديجيتال تمام ميدان , شبكه هاي مولد متخاصم , افزايش(تقويت) داده ها , سرطان سينه

data synthesis , full-field digital mammograms , generative adversarial networks , data augmentation , breast cancer