31576

قطعه بندي توده در تصاوير سه بعدي اولتراسوند خودكار پستان با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1400

1403/6/28

دكتر حميد بهنام

دكتر محسن سرياني - دكتر احسان اله كوزه گر

مهندسي برق

سرطان پستان شايع¬ترين سرطان تشخيص داده شده است كه به تنهايي 30 درصد از تشخيص¬هاي جديد سرطان براي زنان را تشكيل مي¬دهد و تهديدي براي سلامت زنان است. ابزارهاي بسياري براي تشخيص سرطان پستان وجود دارد. ماموگرافي تكنيك غربالگري استاندارد طلايي در سرطان پستان است، اما براي زناني كه پستان‌هاي متراكم دارند محدوديت¬¬هايي دارد. در چنين مواردي، سونوگرافي پستان معمولاً به عنوان يك تكنيك تصويربرداري تكميلي توصيه مي‌شود. تصويربرداري رايج سونوگرافي يك تصويربرداري دو-بعدي از بافت است، اما به دليل محدوديت‌هاي آن اخيرا تصويربرداري اولتراسوند خودكار (ABUS) معرفي شده است كه امكان تصويربرداري سه¬بعدي را فراهم مي‌كند. سونوگرافي خودكار سه¬بعدي پستان سريع و قابل تكرار است و يك انقلابي در تصويربرداري و تشخيص سرطان پستان در بانوان ايجاد كرده است. قطعه¬بندي توده براي استخراج ويژگي در طراحي سيستم¬هاي تشخيص به كمك رايانه اهميت دارد. هم-چنين براي تخمين حجم و مقايسه زماني توسط راديولوژيست¬ها استفاده مي¬گردد. از آن جايي كه راديولوژيست¬ها در تحليل تصاوير ABUS با يك حجم و نه يك تصوير دوبعدي سر و كار دارند، توصيف يك شي¬ء سه¬بعدي مخصوصا زماني كه رزولوشن تصاوير افزايش پيدا مي¬كند، زمانبر و خسته كننده مي¬شود. در نتيجه، طراحي يك الگوريتم قطعه¬بندي بسيار مهم و اجتناب ¬ناپذير است. قطعه¬بندي توده به سه علت چالش¬ برانگيز است. اول، توده¬هاي پستان شكل، اندازه و بافت بسيار متفاوتي دارند و به كارگيري روشي كه مستقل از اين تغييرات باشد مشكل است. دوم، نويز اسپكل كيفيت تصاوير اولتراسوند را كاهش مي¬دهد. سوم، ابعاد بزرگتر مشكل را پيچيده¬تر مي¬كند زيرا الگوريتم قطعه‌بندي بايد اشياء سه-بعدي را استخراج كند. براي تسهيل تفسير اين تصاوير، سيستم‌هاي تشخيص به كمك رايانه در حال توسعه هستند كه در آن قطعه¬بندي توده جزء ضروري براي استخراج ويژگي و مقايسه‌هاي زماني است. هدف از انجام اين پژوهش ارائه يك روش براي انجام نويز ¬زدايي مناسب با بهبود وضوح بدون از دست دادن اطلاعات تشخيصي به عنوان يك مرحله پيش‌پردازش براي قطعه‌بندي توده پستان با تمركز بر مقياس‌ها و اشكال مختلف توده در تصاوير سه¬بعدي ABUS با استفاده از روش‌هاي يادگيري عميق است. روش پيشنهادي يك رويكرد خودنظارتي شامل وظايف كمكي يادگيري تمايزي بافتاري جهت آموزش بافت پستان و كاهش نويز اسپكل براي بهبود كيفيت تصوير، و وظيفه اصلي قطعه‌بندي است. مدل پيشنهادي از يك ماژول آتروس اينسپشن براي گرفتن تومورهايي با اشكال و اندازه‌هاي مختلف استفاده مي‌كند. علاوه بر اين، ماژول توجه كانال باقيمانده توانايي مدل را براي تمركز انتخابي بر روي آموزنده ترين ويژگي¬ها از نمايش‌هاي سطح پايين و سطح بالا افزايش مي دهد. نتايج تجربي نشان مي‌دهد كه روش پيشنهادي با دستيابي به ضريب تشابه دايس (DSC) 76.73، شاخص ژاكارد (JI) 62.48، فراخواني (REC) 72.69، دقت (PRE) 84.50، و فاصله هاسدورف 95 درصد (95HD) 4.065 نشان مي‌دهد كه چارچوب پيشنهادي قطعه‌بندي را نسبت به روش‌هاي پيشرفته بهبود مي‌بخشد.

1403/08/19

Mass Segmentation in Automated 3D Breast Ultrasound Using Deep Learning

1/1/1900 12:00:00 AM

Breast cancer is the most commonly diagnosed cancer, accounting for 30% of new cancer diagnoses in women and posing a serious threat to women’s health. There are various tools available for detecting breast cancer. Mammography is considered the gold standard screening technique for breast cancer, but it has limitations for women with dense breast tissue. In such cases, breast ultrasound is often recommended as a supplementary imaging technique. Conventional ultrasound imaging provides a two-dimensional image of the tissue; however, due to its limitations, automated breast ultrasound (ABUS) has recently been introduced, allowing for three-dimensional imaging. The 3D automated breast ultrasound is fast, repeatable, and has revolutionized breast cancer imaging and diagnosis for women. Mass segmentation is essential for feature extraction in designing computer-aided diagnosis systems, as well as for volume estimation and temporal comparisons used by radiologists. Since radiologists deal with a volume, rather than a two-dimensional image, when analyzing ABUS images, describing a three-dimensional object—especially as image resolution increases—becomes time-consuming and exhausting. Therefore, designing a segmentation algorithm is crucial and unavoidable. Mass segmentation presents three main challenges: first, breast masses vary significantly in shape, size, and texture, making it difficult to develop a method independent of these variations. Second, speckle noise reduces the quality of ultrasound images. Third, larger dimensions complicate the process, as the segmentation algorithm must extract three-dimensional objects. To facilitate interpretation of these images, computer-aided diagnosis systems are under development, where mass segmentation is a necessary component for feature extraction and temporal comparisons. This study aims to present a method for effective noise reduction that enhances clarity without losing diagnostic information, serving as a preprocessing step for breast mass segmentation. It focuses on different mass scales and shapes in 3D ABUS images using deep learning techniques. The proposed method is a self-supervised approach that includes auxiliary tasks for textural differentiation learning to enhance breast tissue quality and reduce speckle noise, as well as the primary task of segmentation. The proposed model uses an atrous inception module to capture tumors of varying shapes and sizes. Additionally, a residual channel attention module enhances the model’s ability to selectively focus on the most informative features from low- and high-level representations. Experimental results demonstrate that the proposed method improves segmentation compared to advanced methods, achieving a Dice Similarity Coefficient (DSC) of 76.73, Jaccard Index (JI) of 62.48, Recall (REC) of 72.69, Precision (PRE) of 84.50, and 95% Hausdorff Distance (95HD) of 4.065.

سرطان پستان , قطعه بندي توده پستان , اولتراسوند خودكار سه بعدي پستان , كاهش نويز اسپكل , يادگيري عميق

Breast cancer , Breast mass segmentation , Automatic 3D breast ultrasound , Speckle noise reduction , Deep learning

Atousa Khakbaz

Dr. Hamid Behnam