Detecção de distorção arquitetural mamária em mamografia digital utilizando rede neural convolucional profunda (2019)
- Authors:
- Autor USP: COSTA, ARTHUR CHAVES - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- Subjects: MAMOGRAFIA; REDES NEURAIS; DIAGNÓSTICO POR COMPUTADOR
- Keywords: Distorção arquitetural mamária; Rede neural convolucional profunda
- Agências de fomento:
- Language: Português
- Abstract: A proposta deste trabalho foi analisar diferentes metodologias de treinamento de uma rede neural convolucional profunda (CNN) para a detecção de distorção arquitetural mamária (DA) em imagens de mamografia digital. A DA é uma contração sutil do tecido mamário que pode representar o sinal mais precoce de um câncer de mama em formação. Os sistemas computacionais de auxílio ao diagnóstico (CAD) existentes ainda apresentam desempenho insatisfatório para a detecçâo da DA. Sistemas baseados em CNN têm atraído a atenção da comunidade científica, inclusive na área médica para a otimização dos sistemas CAD. No entanto, as CNNs necessitam de um grande volume de dados para serem treinadas adequadamente, o que é particularmente difícil na área médica. Dessa forma, foi realizada neste trabalho, uma comparação de diferentes abordagens de treinamento para uma arquitetura CNN avaliando-se o efeito de técnicas de geracão de novas amostras (data augmentation) sobre o desempenho da rede. Para isso, foram utilizadas 240 mamografias digitais clínicas. Uma das redes (CNN-SW) foi treinada com recortes extraídos por varredura em janela sobre a área interna da mama (aprox. 21600 em média) e a outra rede (CNN-SW+) contou com o mesmo conjunto ampliado por data augmentation (aprox. 345000 eiu média). Para avaliar o método, foi utilizada validação cruzada por k-fold, gerando-se em rodízio, 10 modelos de cada rede. Os testes analisaram todas as ROIs extraídas da mama, sendo testados 14 mamogramas por fold, e obtendo-se uma diferença estatisticamente significativa entre os resultados (AUC de 0,81 para a CNN-SW e 0,83 para a CNN-SW+). Mapas de calor ilustraram as predições da rede, permitindo uma análise visual e quantitativa do comportamento de ambos os modelos
- Imprenta:
- Publisher place: São Carlos
- Date published: 2019
- Data da defesa: 08.03.2019
-
ABNT
COSTA, Arthur Chaves. Detecção de distorção arquitetural mamária em mamografia digital utilizando rede neural convolucional profunda. 2019. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2019. Disponível em: http://www.teses.usp.br/teses/disponiveis/18/18152/tde-25042019-110326/. Acesso em: 19 abr. 2024. -
APA
Costa, A. C. (2019). Detecção de distorção arquitetural mamária em mamografia digital utilizando rede neural convolucional profunda (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/18/18152/tde-25042019-110326/ -
NLM
Costa AC. Detecção de distorção arquitetural mamária em mamografia digital utilizando rede neural convolucional profunda [Internet]. 2019 ;[citado 2024 abr. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/18/18152/tde-25042019-110326/ -
Vancouver
Costa AC. Detecção de distorção arquitetural mamária em mamografia digital utilizando rede neural convolucional profunda [Internet]. 2019 ;[citado 2024 abr. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/18/18152/tde-25042019-110326/ - Analysis of feature relevance using an image quality index applied to digital mammography
- Data augmentation: effect in deep convolutional neural network for the detection of architectural distortion in digital mammography
- Transfer learning in deep convolutional neural networks for detection of architectural distortion in digital mammography
- Detection of architectural distortion with deep convolutional neural network and data augmentation of limited dataset
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
