Classifying Breast Lesions Using Ultrasound Images and Effective Pooling Techniques

Abstract

Aquesta tesi presenta el desenvolupament de mètodes eficients per a la classificació de lesions mamàries utilitzant imatges d'ecografia i tècniques d'aprenentatge profund, amb un enfocament en la consideració de la qualitat de les imatges en el marc de classificació. En primer lloc, ens vam endinsar en la física de la imatge per ultrasons, els modes i el control de qualitat. Posteriorment, vam examinar l'eficàcia dels transformadors de visió profunds àmpliament utilitzats en la tasca de detecció de la malignitat dels tumors mamàries en imatges d'ultrasons, aconseguint resultats de classificació prometedors. No obstant això, l'ús d'una sola imatge d'ultrasons per lesió mamària pot donar lloc a una precisió limitada en la classificació a causa de l'existència de soroll de granulat, ombres, així com altres artefactes que degraden la qualitat de les imatges d'ultrasons. Per tant, vam proposar un mètode nou per classificar lesions mamàries utilitzant seqüències d'ultrasons i ConvNext profund. Es va proposar una tècnica de fusió eficient i conscient de la qualitat de les imatges per combinar la puntuació de malignitat predita a partir de cada fotograma de la seqüència d'ultrasons d'entrada i generar la puntuació final de malignitat de tota la seqüència. Comparacions numèriques i visuals indiquen que el mètode proposat supera altres mètodes d'estat de l'art per a la classificació de lesions mamàries. També vam demostrar que la qualitat de les imatges de BUS pot afectar la precisió dels models de predicció de malignitat.

Esta tesis presenta el desarrollo de métodos eficientes para clasificar lesiones mamarias utilizando imágenes de ultrasonido y técnicas de aprendizaje profundo, con un enfoque en la consideración de la calidad de las imágenes en el marco de clasificación. En primer lugar, se exploró la física de la imagenología por ultrasonido, los modos y el control de calidad. Posteriormente, se examinó la eficacia de los ampliamente utilizados transformadores de visión profunda en la tarea de detección de la malignidad de tumores mamarios en imágenes de ultrasonido, logrando resultados de clasificación prometedores. Sin embargo, el uso de una única imagen de ultrasonido por lesión mamaria puede producir una precisión limitada en la clasificación debido a la existencia de ruido speckle, sombras y otros artefactos que degradan la calidad de las imágenes de ultrasonido. Por lo tanto, se propuso un método novedoso para la clasificación de lesiones mamarias utilizando secuencias de ultrasonido y el modelo profundo ConvNext.

This thesis presents the development of efficient methods for classifying breast lesions utilizing ultrasound images and deep learning techniques, with a focus on considering the quality of the images in the classification framework. Firstly, we delved into the physics of ultrasound imaging, modes, and quality control. Subsequently, we examined the efficacy of widely-used deep vision transformers in the task of breast tumor malignancy detection in ultrasound images, achieving promising classification results . However, the use of single ultrasound image per breast lesion may yield limited classification accuracy due to the existence of speckle noise, shadow, as well as other artifacts that degrade the quality of ultrasound images. Therefore, we proposed a novel method for classifying breast lesions using ultrasound sequences and deep ConvNext. An efficient image quality-aware pooling technique was proposed to fuse the malignancy score predicted from each frame in the input ultrasound sequence and generate the final malignancy score of the whole sequence. Numerical and visual comparisons indicate that the proposed method outperforms other state-of-the-art breast lesion classification methods. We also demonstrated that the quality of the BUS images can affect the accuracy of the malignancy prediction models. Besides, the thesis also proposed an efficient method for breast tumor classification based on the dynamic pooling of ultrasound sequences.