Deep Learning Approaches for Breast Cancer Analysis in Tomosynthesis Images

Abstract

Un diagnòstic precoç i precís del càncer de mama és fonamental per a un tractament efectiu. La tomosíntesi digital de mama (DBT) ofereix una major precisió en la detecció de la malaltia en comparació amb la mamografia tradicional. No obstant això, el gran volum d'imatges mèdiques requereix eines eficients per ajudar els radiòlegs a detectar i classificar lesions mamàries. Els sistemes de Diagnòstic Assistit per Computador (CAD) juguen un paper crucial. Els actuals sistemes CAD estan limitats per una varietat de reptes, incloent-hi la manca de bases de dades de DBT disponibles públicament, així com les diverses formes, mides i ubicacions de les lesions mamàries. Aquesta tesi té com a objectiu millorar el diagnòstic del càncer de mama introduint mètodes innovadors basats en l'aprenentatge profund per detectar i classificar tumors mamaris. La primera part es centra en tècniques d'aprenentatge profund totalment automatitzades per a la detecció de lesions mamàries, incloent la proposta d'un mètode eficient d'augmentació de dades anomenat tècnica de concatenació de canals. La segona contribució proposa una tècnica d'ensemble dinàmica que es basa en una xarxa neuronal profunda per seleccionar el detector de tumor mamari individual òptim (IBTD) basant-se en les característiques de la imatge d'entrada. En la segona part, introduïm mètodes eficients d'aprenentatge profund per classificar tumors mamaris benignes i malignes en imatges de DBT. Aprofitant l'aprenentatge per transferència dels extractors de característiques basats en CNN, pre-entrenats tant en imatges no mèdiques com en mamografies relacionades, millora la classificació de tumors. Simultàniament, ajustem finament el classificador per a un rendiment matitzat i optimitzat. A continuació, proposem un marc innovador que integra característiques relatives a la qualitat global de la imatge amb descriptors de textura de tumor, amb l'objectiu de classificar amb precisió els tumors mamaris. Realitzem un anàlisi experimental extens sobre una base de dades de DBT disponible públicament i proporcionem comparacions amb mètodes existents per demostrar la superioritat dels mètodes proposats.

El diagnóstico temprano y preciso del cáncer de mama es fundamental para un tratamiento efectivo. La tomosíntesis digital de mama (DBT) ofrece una mayor precisión en la detección de la enfermedad en comparación con la mamografía tradicional. Sin embargo, el gran volumen de imágenes médicas requiere herramientas eficientes para ayudar a los radiólogos a detectar y clasificar lesiones mamarias. Los sistemas de Diagnóstico Asistido por Computador (CAD) desempeñan un papel crucial. Los sistemas CAD actuales se ven limitados por una variedad de desafíos, incluida la falta de bases de datos (DBT) disponibles públicamente, así como las diversas formas, tamaños y ubicaciones de las lesiones mamarias. Esta tesis tiene como objetivo mejorar el diagnóstico del cáncer de mama mediante la introducción de métodos innovadores basados en el aprendizaje profundo para detectar y clasificar tumores mamarios. La primera parte se centra en técnicas de aprendizaje profundo totalmente automatizadas para detectar lesiones mamarias, incluida la propuesta de un método eficiente de aumento de datos llamado técnica de concatenación de canales. La segunda contribución propone una técnica de conjunto dinámico que se basa en una red neuronal profunda para seleccionar el detector de tumor mamario individual óptimo (IBTD) en función de las características de la imagen de entrada. En la segunda parte, presentamos métodos eficientes de aprendizaje profundo para clasificar tumores mamarios benignos y malignos en imágenes de DBT. Aprovechando el aprendizaje por transferencia de extractores de características basados en CNN, pre-entrenados tanto en imágenes no médicas como en mamografías relacionadas, se mejora la clasificación de tumores. Simultáneamente, ajustamos finamente el clasificador para un rendimiento matizado y optimizado. A continuación, proponemos un marco novedoso que integra características relativas a la calidad global de la imagen con descriptores de textura de tumor, con el objetivo de lograr una clasificación precisa de tumores mamarios. Realizamos un análisis experimental extenso en una base de datos de DBT disponible públicamente y proporcionamos comparaciones con métodos existentes para demostrar la superioridad de los métodos propuestos.

Early and accurate breast cancer diagnosis is pivotal for effective treatment. Digital breast tomosynthesis (DBT) offers enhanced disease detection accuracy over traditional mammogram imaging. However, the sheer volume of medical imagery necessitates efficient tools to assist radiologists in detecting and classifying breast lesions. In this context, Computer-Aided Diagnosis (CAD) systems play a crucial role. CAD has witnessed significant advancements with the advent of Deep learning methods, however, the current CAD systems are limited by a variety of challenges including the lack of publicly available DBT datasets, as well as the varied shapes, sizes, and locations of breast lesions. This thesis aims to improve breast cancer diagnosis by introducing innovative deep learning-based methods for detecting and classifying breast tumors. The first part focuses on fully automated deep-learning techniques for detecting breast lesions, including propose an efficient data augmentation method called the channel-concatenation technique. By integrating this with two state-of-the-art detection models, we rigorously evaluate its impact on breast lesion detection performance. The second contribution proposes a dynamic ensemble technique that relies on a deep neural network to select the optimal individual breast tumor detector (IBTD) based on input image characteristics. Our study constructs robust individual breast tumor detectors using diverse deep-learning architectures. In the second part, we introduce efficient deep learning methods for classifying benign and malignant breast tumors in DBT images. Leveraging transfer learning from CNN-based feature extractors, pre-trained on both non-medical images and related mammograms, enhances tumor classification. Simultaneously, we fine-tune the classifier for nuanced and optimized performance. Next, we propose a novel framework that integrates global image quality-aware features with tumor texture descriptors, aiming for accurate breast tumor classification. We Conduct an extensive experimental analysis on a publicly available DBT dataset and providing comparisons with existing methods to demonstrate the superiority of the proposed methods.