Dissertação

{en_GB=Mammogram Classification and Segmentation through Deep Learning} {} EVALUATED

{pt=Dada a extrema importância na detecção antecipada de cancro de mama, uma busca preponderante de técnicas de diagnóstico auxiliado por computadores levou os investigadores de aprendizagem profunda a procurar possíveis aplicações no ramo de rastreio mamográfico. Neste trabalho são comparadas as abordagens tradicionais e as contemporâneas. Dado o sucesso destas últimas, são abordados modelos de aprendizagem profunda e os seus desafios no contexto do rastreio mamográfico. Além disso, este trabalho propõe o uso de treino com metodologias e arquitecturas de redes neurais convolucionais sofisticadas para classificação e segmentação de lesões no conjunto de dados INbreast, publicamente disponível. Usando um modelo com a arquitectura "Attention Dense U-Net", a segmentação de lesões é feita com um coeficiente de Dice de (0.71 ± 0.08) para massas e de (0.58 ± 0.05) para micro-calcificações. Incorporando estas segmentações, a classificação segundo um modelo com arquitectura Multi-Vista "DenseNet" mostra resultados competitivos em relação ao estado da arte na classificação totalmente automatizada de exames de rastreio da mama (nas classes Normal, Benigno e Maligno), atingindo uma AUC média das três classes de (0.79 ± 0.06)., en=Given the extreme importance in early detection of breast cancer, a compelling search for Computer Aided Diagnosis (CAD) techniques drove Deep Learning (DL) researchers to investigate potential mammography screening applications. In this work, traditional and novel approaches are compared. Given the success of the latter, DL models and challenges are thoroughly reviewed in the context of mammography screening. Moreover, this work proposes the use of sophisticated Convolutional Neural Network model architectures and training for classification and segmentation of lesions publicly available in the INbreast dataset. Using an Attention Dense U-Net model, lesion segmentations are extracted with a Dice Coefficient of (0.71 ± 0.08) for masses and (0.58 ± 0.05) for micro-calcifications. As a result, the classification using a Dense Multi-View model incorporating these predicted lesion segmentations shows competitive results regarding the State of the Art in fully-automated classification of breast screening exams (Normal, Benign, Malignant), achieving a 3-Class Mean AUC of (0.79 ± 0.06). }
{pt=Aprendizagem Profunda, Imagiologia Médica, Modelos Multi-Vista, Transfêrencia de Conhecimento, Redes Neuronais Convolucionais, Segmentação de Imagem, en=Deep learning, Medical Imaging, Multi-View Models, Transfer Learning, Convolutional Neural Networks, Image Segmentation}

Janeiro 13, 2021, 9:0

Orientação

ORIENTADOR

Jacinto Carlos Marques Peixoto do Nascimento

Departamento de Engenharia Informática (DEI)

Professor Auxiliar

ORIENTADOR

Carlos Jorge Andrade Mariz Santiago

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar Convidado