نویسندگان

1 دانشجوی کارشناسی ارشد، گروه هوش‌مصنوعی، دانشکده‌ی مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران

2 دانشیار، گروه هوش‌مصنوعی ، دانشکده‌ی مهندسی کامپیوتر ، دانشگاه علم و صنعت ایران، تهران

3 دانشجوی دکتری، گروه هوش‌مصنوعی، دانشکده‌ی مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران

4 پژوهش‌گر پسادکتری، دانشکده‌ی رادیولوژی و پزشکی هسته‌ای، مرکز پزشکی دانشگاه رادبود، نایمخن، هلند

10.22041/ijbme.2018.90857.1384

چکیده

سرطان پستان دومین عامل مرگ زنان در جهان است. هر چه این بیماری زودتر تشخیص داده شود، احتمال موفقیت در درمان آن بیش‌تر خواهد بود. امروزه به دلیل مشکلات تصویربرداری ماموگرافی، استفاده از تصاویر فراصوت برای تشخیص سرطان پستان در حال افزایش است. یکی از انواع سامانه‌های تصویر‌برداری پستان، ‎ABUS است. این نوع تصویربرداری از مزایای زیادی نسبت به ماموگرافی و سایر روش‌های تصویربرداری فراصوت برخوردار می‌باشد. طراحی یک سامانه‌ی تشخیص به کمک کامپیوتر برای تحلیل تصاویر فراصوت در کنار رایج شدن این نوع تصویربرداری ضروری است. این سامانه‌ها معمولا دارای چهار بخش پیش‌پردازش، قطعه‌بندی، استخراج ویژگی و دسته‌بندی هستند. افزایش دقت قطعه‌بندی، باعث افزایش دقت عمل‌کرد سامانه می‌شود. در پژوهش‌های پیشین، از روش‌های پویش حلزونی و کانتور فعال برای قطعه‌بندی توده‌ها در تصاویر سه‌بعدی استفاده شده است. در سال‌های اخیر، استفاده از یادگیری ژرف در زمینه‌های مختلف، منجر به کسب نتایج قابل توجهی شده است که امکان دست‌یابی به این نتایج با روش‌های سنتی پیشین وجود نداشت. در این پژوهش، با استفاده از یک شبکه‌ی عصبی ژرف، که از معماری ‎U-net‎  3Dبهره می‌برد، توده‌های سرطانی در تصاویر ‎ABUS‎ قطعه‌بندی شده‌اند. در این روش، به منظور بهبود عمل‌کرد شبکه، از یک رویکرد جدید برای پس‌پردازش استفاده شده است. مجموعه‌ی دادگان مورد استفاده، از ‎۳۲‎ بیمار جمع‌آوری شده و شامل‎۵۰‎ توده (‎۳۸‎ توده‌ی بدخیم و ‎۱۲‎ توده‌ی خوش‌خیم) است. برای ارزیابی دقت قطعه‌بندی، از معیار ضریب Dice استفاده شده است. میانگین دقت به دست آمده روی مجموعه‌ی دادگان مورد استفاده در این پژوهش، ۷۷/۰ است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Mass Segmentation in Automated 3D Breast Ultrasound using Deep Learning

نویسندگان [English]

  • Hamed Fayyaz 1
  • Mohsen Soryani 2
  • Ehsan Koozegar 3
  • Tao Tan 4

1 M.Sc. Student, Artificial Intelligence Department, School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran

2 Associate Professor, Artificial Intelligence Department, School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran

3 Ph.D. Student, Artificial Intelligence Department, School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran

4 Postdoctoral Researcher, Department of Radiology and Nuclear Medicine, Radboud University, Nijmegen, Netherlands

چکیده [English]

Automated 3D breast ultrasound (ABUS) is a novel system for breast screening‎. ‎It has been proposed as a supplementary modality to mammography for detection and diagnosis of breast cancers‎. ‎Although ABUS has better performance for dense breasts‎, ‎reading ABUS images is time-consuming and exhausting‎. ‎A computer-aided detection (CAD) system can be helpful for interpretation of ABUS images‎. ‎Mass Segmentation in CADe and CADx systems play the leading role because it affects the performance of succeeding stages‎. ‎Besides‎, ‎it is a very challenging task because of the vast variety in size‎, ‎shape, and texture of masses‎. ‎Moreover, imbalanced datasets make segmentation harder‎. ‎A novel mass segmentation approach based on deep learning is introduced in this paper‎. ‎The deep network that is used in this study for image segmentation is inspired by U-net which has been used broadly for dense segmentation in recent years‎‎. ‎Performance was determined using a dataset of 50 masses including 38 malignant and 12 benign masses‎.

کلیدواژه‌ها [English]

  • Breast cancer‎
  • ‎Automated Diagnosis‎
  • ‎Tumor‎
  • ‎3D ABUS‎
  • Mass Segmentation
  • ‎Deep learning

[1]     Jemal, Ahmedin and Bray, Freddie and Center, Melissa M and Ferlay, Jacques and Ward, Elizabeth and Forman, David “Global cancer statistics,” CA: a cancer journal for clinicians, vol. 61, no.2, pp.69-90, 2011.

[2]     Cheng, Heng-Da, Juan Shan, Wen Ju, Yanhui Guo, and Ling Zhang. "Automated breast cancer detection and classification using ultrasound images: A survey." Pattern recognition 43, no. 1 (2010): 299-317.

[3]     [Kuo, H and Giger, Maryellen L and Reiser, Ingrid and Drukker, Karen and Edwards, Alexandra and Sennett, Charlene A, “Automatic 3D lesion segmentation on breast ultrasound images,” Proc SPIE, vol. 8670, pp. 867025, 2013.

[4]    ا. کوزه‌گر، م. سریانی، ح. بهنام، م. سلامتی،‌ ت. تن، «تعیین مرز توده در تصاویر سه بُعدی اولتراسوند خودکار با استفاده از یک مدل شکل پذیر» فصلنامه علمی - پژوهشی بیماری های پستان ایران، جلد ۱۰، شماره ۲، صفحه ۱۶-۲۶، ۱۳۹۶.

[5]     E. Kozegar and M. Soryani and H. Behnam and M. Salamati and T. Tan, “Mass Segmentation in Automated 3-D Breast Ultrasound Using Adaptive Region Growing and Supervised Edge-Based Deformable Model,” IEEE Transactions on Medical Imaging, vol. PP, no. 99, pp. 1-1, 2017.

[6]     Tan, Tao and Gubern-Merida, Albert and Borelli, Cristina and Manniesing, Rashindra and van Zelst, Jan and Wang, Lei and Zhang, Wei and Platel, Bram and Mann, Ritse M and Karssemeijer, Nico, “Segmentation of malignant lesions in 3D breast ultrasound using a depth-dependent model,” Medical physics, vol. 43, no. 7, pp. 4074-4084, 2016.

[7]     Wang, Jiahui and Engelmann, Roger and Li, Qiang, “Segmentation of pulmonary nodules in three-dimensional CT images by use of a spiral-scanning technique,” Medical physics, vol. 34, no. 12, pp. 4678-4689, 2007

[8]     Ciresan, Dan and Giusti, Alessandro and Gambardella, Luca M and Schmidhuber, Jurgen, “Deep neural networks segment neuronal membranes in electron microscopy images,” Advances in neural information processing systems, pp. 2843-2851, 2012.

[9]     Ronneberger, Olaf and Fischer, Philipp and Brox, Thomas, “U-net: Convolutional networks for biomedical image segmentation,” International Conference on Medical Image Computing and Computer-Assisted Intervention, pp. 234-241, 2015.

[10] ciccek, Abdulkadir, Ahmed and Lienkamp, Soeren S and Brox, Thomas and Ronneberger, Olaf, “3D U-Net: learning dense volumetric segmentation from sparse annotation,” International Conference on Medical Image Computing and Computer-Assisted Intervention,  pp. 424-432, 2016.

[11] Kingma, Diederik P and Ba, Jimmy, “Adam: A method for stochastic optimization,” arXiv preprint arXiv:1412.6980, 2014.