26008

شناسايي و دسته بندي خودكار ضايعات پستان در تصاوير تشديد مغناطيسي بر مبناي يك مدل يادگيري عميق اصلاح شده و ويژگي هاي فركانسي نرماليزه

دكتري

مهندسي برق

1394

1400.9.17

دكتر شهريار برادران شكوهي

مهندسي برق

به منظور تشخيص سرطان پستان، ما يك روش جديدِ تشخيص به كمك كامپيوتر (CADx) براي تمايز بين ضايعات خوش‌خيم و بدخيم از هر دو نوع توده‌اي و چالش برانگيز غيرتوده‌اي در تصاوير DCE-MRI پستان ارائه كرديم. سيستم ارائه شده از ويژگي‌هاي نوين مبتني بر فركانس نرماليزه براي استخراج ويژگي استفاده مي‌كند. اين ويژگي‌ها بر اساس اعمال تبديل ويولت مختلط Dual-tree (DT-CWT) به هر برش از يك ضايعه سه بعدي در سطح تجزيه خاص هستند. با اعمال DT-CWT، ضرايب پايين‌گذر ساختار كلي ضايعه و ضرايب ميان‌گذر جزييات تغييرات شدت روشنايي و بافت ضايعه را نشان مي‌دهند كه قابليت تمييز بين ضايعات خوش‌خيم و بدخيم در هر دو نوع ضايعات توده‌اي و غيرتوده‌اي را داراست. به منظور استخراج ويژگي‌هاي مبتني بر فركانس نرماليزه، توصيفگرهاي آماري بافت در فضاي فركانسي به كار گرفته مي‌شوند. طبقه‌بندي‌كننده SVM در تركيب با سه روش EUS-SVM، SMOTE و تصحيح هزينه جهت غلبه بر مشكل عدم توازن داده به كار گرفته شد. روش پيشنهادي بر روي دو پايگاه داده نور و وليعصر مورد آزمايش قرار گرفت كه دقت تشخيص كلي 94.6% حاصل شد و نتايج اميدوار كننده اي در قياس با روش‌هاي مرز دانش براي هر دو نوع ضايعه توده‌اي و چالش برانگيز غير توده‌اي پستان بدست آورد. همچنين به منظور شناسايي سرطان پستان، ما از يك مدل يادگيري عميق براي توسعه يك روش شناسايي به كمك كامپيوتر (CADe) در تصاوير DCE-MRI فوق سريع استفاده كرديم. اين روش از يك معماري RetinaNet استفاده مي‌كند كه ساختار آن به منظور استفاده از داده‌هاي چهاربعدي و شناسايي ضايعات پستان كه نسبت به اشياء مرسوم حجم كمتري را اشغال مي‌كنند، اصلاح شده است. بدين منظور بلوك‌ ابتدايي و انتهايي شبكه پشتيبان حذف، اجزا شبكه سه بعدي شده و ورودي‌كانال براي اطلاعات زماني مورد استفاده قرار مي‌گيرد. روش ارائه شده روي يك مجموعه داده شامل 489 آزمايش MRI حاوي 572 ضايعه آزمايش شده است و نرخ شناسايي 0.90 به ازاي 4 يافته مثبت كاذب بر پستان سالم بدست آمد. با وجود بهره‌گيري از يك پايگاه داده نسبتا بزرگ، نتايج حاصل از اين مطالعه قابل مقايسه با روش‌هاي مرز دانش است، كه نشان‌دهنده تعميم‌پذيري و قابليت اطمينان روش ارائه شده است.

1400/11/17

Automatic Breast Lesion Detection and Diagnosis in Magnetic Resonance Images based on a Modified Deep Learning Model and Normalized Frequency Features

1/1/1900 12:00:00 AM

To diagnose breast cancer, we purpose a new computer-aided diagnosis system in order to distinguish between benign and malignant lesions of both mass and non-mass enhancing lesions in breast DCE-MRI. The proposed system is utilized new normalized frequency-based features which are obtained by applying Dual-tree complex wavelet transform (DT-CWT) to each 2D slice of a 3D lesion in a certain decomposition level. Low-pass and band-pass frequency coefficients of DT-CWT represent the general shape of the lesion and the details of intensity variations and texture of the lesion, respectively. In order to extract normalized frequency-based features, statistical texture descriptors are used in frequency domain. To overcome the imbalanced data problem, SVM algorithm with linear kernel is used in combination with EUS-SVM, SMOTE and modified cost methods. The system was tested on Valiasr and Noor dataset. Findings include the overal accuracy of 94.6% and demonstrate promising results to diagnose mass and challenging non-mass lesions in comparison to the state of the art methods. For breast lesion detection, we use deep learning to propose a new Computer-aided detection (CADe) method to detect and localize breast lesions with an ultrafast DCE-MRI protocol. The proposed CADe method relies on a RetinaNet model, in which the structure has been changed to adopt to 4D data and be able to detect breast lesions that are normally smaller than objects in other applicarions. Therefore, the first and the last blocks of the backbone network are omitted, 2D structure is changed to 3D one and channel input is utilized for dynamic information. The method has been tested on a dataset includes 489 ultrafast MRI studies containing a total of 572 lesions and achieved detection rate of 0.90 at 4 false positives per normal breast. Despite the use of relatively large dataset in this study, the results are comparable to the state of the art methods which indicates the generalizability and reliability of the proposed method.

تصاوير تشديد شدت مغناطيسي , شناسايي ضايعات پستان , تشخيص ضايعات پستان , ضايعات توده اي و غيرتوده‌اي , يادگيري عميق

Magnetic Resonance Imaging (MRI) , computer-aided detection (CADe) , computer-aided diagnosis (CADx) , mass and non-mass lesions , breast lesions , deep learning