Breast tumor segmentation and classification using deep learning methods

Detalhes bibliográficos
Autor(a) principal: Ferreira, Ana Margarida da Rocha
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/84668
Resumo: Dissertação de mestrado em Informatics Engineering
id RCAP_05344021e72c19333180be47a02468ff
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/84668
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Breast tumor segmentation and classification using deep learning methodsSegmentação e classificação de tumores da mama através de métodos de deep learningCancro da mamaUltrassomDeep learningMulti-task learningSegmentação de tumoresClassificação de tumoresComputer-aided diagnosisBreast cancerUltrasoundTumor segmentationTumor classificationEngenharia e Tecnologia::Outras Engenharias e TecnologiasDissertação de mestrado em Informatics EngineeringO cancro da mama é o tipo de cancro mais comum e a principal causa de morte por cancro nas mulheres. A deteção atempada é crucial para o sucesso do tratamento e para a redução da taxa de mortalidade. Embora várias modalidades de imagem sejam utilizadas para detetar lesões mamárias, a ultrassonografia tornou-se uma das mais frequentes, uma vez que é segura, portátil, de baixo custo e permite uma examinação em tempo real. Deste modo, a segmentação e classificação automáticas de tumores em imagens de ultrassom da mama podem auxiliar no seu diagnóstico, proporcionando uma segunda opinião aos especialistas. No entanto, realizar uma segmentação e classificação de lesões com precisão, através desta modalidade de imagem, é desafiante devido à má qualidade de imagem e elevada variabilidade das lesões. Recentemente, algoritmos de deep learning têm demonstrado grande potencial na área do processamento de imagem, nomeadamente para a segmentação e classificação em imagens de ultrassom da mama. Contudo, ainda há necessidade de investigação e melhoria para ser possível aplicar com confiança estas abordagens na prática clínica. Adicionalmente, o ultrassom pode ser utilizado para orientar a agulha durante a biópsia mamária, um procedimento que exige elevado rigor. O projecto OncoNavigator, no âmbito do qual esta dissertação foi realizada, visa combinar imagem médica em tempo real com um robô médico colaborativo para melhorar a precisão do rastreio do cancro da mama e na biópsia mamária guiada por ultrassom. Considerando a necessidade de métodos automáticos para a segmentação e classificação para melhorar a prática clínica e de modo a aplicar inteligência artificial no robô médico colaborativo, nesta dissertação, foi desenvolvida uma nova multi-task learning network para a segmentação e classificação simultânea de tumores em imagens de ultrassom de mama. O método proposto foi avaliado em 810 imagens de ultrassom de dois conjuntos de dados, o BUSI e o UDIAT, tendo obtido um Dice de 80.72%, na seg mentação, e area under the curve de 94.34%, na classificação. Em suma, o método demonstrou ser bem sucedido no delineamento e categorização de lesões e revelou potencial para ser incorporado num robô médico colaborativo para intervenções de cancro da mama e para auxiliar no seu diagnóstico.Breast cancer is the most common type of cancer and the leading cause of cancer death in women. Early detection is crucial for successful treatment and for reducing the mortality rate. Although several imaging modalities are used to detect breast lesions, ultrasound has become one of the most frequent as it is safe, portable, cost-effective and allows real-time examination. Thus, automatic tumor segmentation and classification in breast ultrasound images may aid their diagnosis, providing a second opinion to the expertise. However, accurate segmentation and classification of lesions using this imaging modality is challenging due to the poor image quality and high lesion variability. Recently deep learning algorithms have shown great potential in the image processing field, namely for breast ultrasound segmentation and classification. Nevertheless, there is still a need for research and improvement to confidently apply these approaches in clinical practice. Additionally, ultrasound can be used for needle guidance during breast biopsy, a procedure that requires high accuracy. The OncoNavigator project, under which this dissertation was conducted, aims to combine real-time medical imaging with a collaborative medical robot to improve the precision of breast cancer screening and ultrasound-guided breast biopsy. Considering the need for automatic methods for segmentation and classification to improve clinical practice and to apply artificial intelligence to the collaborative medical robot, in this dissertation, a novel multi-task learning network for simultaneous tumor segmentation and classification in breast ultrasound images was developed. The proposed method was evaluated on 810 ultrasound images from two datasets, BUSI and UDIAT, and obtained a Dice of 80.72% in segmentation and area under the curve of 94.34% in classification. In summary, the method proved successful in delineating and categorizing lesions and revealed potential to be incorporated into a collaborative medical robot for breast cancer interventions and to assist in its diagnosis.Novais, PauloVilaça, João Luis Araújo MartinsUniversidade do MinhoFerreira, Ana Margarida da Rocha2023-04-122024-04-12T00:00:00Z2023-04-12T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/84668eng203279557info:eu-repo/semantics/embargoedAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:25:03Zoai:repositorium.sdum.uminho.pt:1822/84668Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:19:14.745279Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Breast tumor segmentation and classification using deep learning methods
Segmentação e classificação de tumores da mama através de métodos de deep learning
title Breast tumor segmentation and classification using deep learning methods
spellingShingle Breast tumor segmentation and classification using deep learning methods
Ferreira, Ana Margarida da Rocha
Cancro da mama
Ultrassom
Deep learning
Multi-task learning
Segmentação de tumores
Classificação de tumores
Computer-aided diagnosis
Breast cancer
Ultrasound
Tumor segmentation
Tumor classification
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
title_short Breast tumor segmentation and classification using deep learning methods
title_full Breast tumor segmentation and classification using deep learning methods
title_fullStr Breast tumor segmentation and classification using deep learning methods
title_full_unstemmed Breast tumor segmentation and classification using deep learning methods
title_sort Breast tumor segmentation and classification using deep learning methods
author Ferreira, Ana Margarida da Rocha
author_facet Ferreira, Ana Margarida da Rocha
author_role author
dc.contributor.none.fl_str_mv Novais, Paulo
Vilaça, João Luis Araújo Martins
Universidade do Minho
dc.contributor.author.fl_str_mv Ferreira, Ana Margarida da Rocha
dc.subject.por.fl_str_mv Cancro da mama
Ultrassom
Deep learning
Multi-task learning
Segmentação de tumores
Classificação de tumores
Computer-aided diagnosis
Breast cancer
Ultrasound
Tumor segmentation
Tumor classification
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
topic Cancro da mama
Ultrassom
Deep learning
Multi-task learning
Segmentação de tumores
Classificação de tumores
Computer-aided diagnosis
Breast cancer
Ultrasound
Tumor segmentation
Tumor classification
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
description Dissertação de mestrado em Informatics Engineering
publishDate 2023
dc.date.none.fl_str_mv 2023-04-12
2023-04-12T00:00:00Z
2024-04-12T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/84668
url https://hdl.handle.net/1822/84668
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203279557
dc.rights.driver.fl_str_mv info:eu-repo/semantics/embargoedAccess
eu_rights_str_mv embargoedAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132650090266624

Registros relacionados