Ο καρκίνος του μαστού παραμένει μια από τις πιο διαδεδομένες και απειλητικές για τη ζωή ασθένειες που επηρεάζουν τις γυναίκες παγκοσμίως. Η έγκαιρη και ακριβής διάγνωση είναι καθοριστικής σημασίας για τη βελτίωση των αποτελεσμάτων και των ποσοστών επιβίωσης των ασθενών. Η μαγνητική τομογραφία (MRI) έχει αναδειχθεί ως ένα σημαντικό εργαλείο για την ανίχνευση και τη χαρακτηρισμό του καρκίνου του μαστού λόγω των δυνατοτήτων υψηλής ανάλυσης και της ευαισθησίας της στην αντίθεση των μαλακών ιστών. Ωστόσο, η πολυπλοκότητα και ο όγκος των δεδομένων της MRI παρουσιάζουν σημαντικές προκλήσεις για τους ακτινολόγους, απαιτώντας την ανάπτυξη αυτοματοποιημένων και αξιόπιστων μεθόδων ανάλυσης και ταξινόμησης εικόνων.
Τα τελευταία χρόνια, η εμφάνιση της βαθιάς μάθησης και των Συνελικτικών Νευρωνικών Δικτύων (CNNs) έχει φέρει επανάσταση στον τομέα της ιατρικής απεικόνισης, προσφέροντας άνευ προηγουμένου ακρίβεια και αποδοτικότητα σε εργασίες ταξινόμησης εικόνων. Μεταξύ των διαφόρων αρχιτεκτονικών CNN, τα Πυκνά Συνεδεδεμένα Συνελικτικά Δίκτυα (DenseNet) έχουν κερδίσει ιδιαίτερη προσοχή λόγω της καλής απόδοσης τους σε τέτοιου τύπου εργασίες.
Αυτή η διπλωματική εργασία επικεντρώνεται στην εφαρμογή αρχιτεκτονικών DenseNet στην ταξινόμηση περιοχών όγκου ως καρκινικούς όγκους σε τρισδιάστατες μαγνητικές τομογραφίες μαστού. Συγκεκριμένα, αξιολογούμε την απόδοση τεσσάρων παραλλαγών DenseNet—DenseNet121, DenseNet169, DenseNet201 και DenseNet264—στην ακριβή αναγνώριση κακοήθων περιοχών εντός των MRI του μαστού.
Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή τη μελέτη προέρχονται από την ACRIN 6698, μια πολυκεντρική μελέτη που στοχεύει στην αξιολόγηση της αποτελεσματικότητας της απεικόνισης της μοριακής διάχυσης (DWI) όσον αφορά την απόκριση του καρκίνου του μαστού στη επικουρική χημειοθεραπεία (NAC). Αυτή η μελέτη ήταν μέρος της μεγαλύτερης της I-SPY 2, η οποία επιδιώκει νέες θεραπείες για τον καρκίνο του μαστού. Συνολικά 406 γυναίκες με διηθητικό καρκίνο του μαστού εγγράφηκαν σε δέκα ιδρύματα μεταξύ Αυγούστου 2012 και Ιανουαρίου 2015. Οι συμμετέχουσες υποβλήθηκαν σε DWI μαστού χρησιμοποιώντας πρωτόκολλο 4-b value, μαζί με τις τυπικές απεικονίσεις T2- weighted και dynamic contrast-enhanced (DCE) σε τέσσερα στάδια της NAC: πριν τη θεραπεία (T0), στην αρχή της θεραπείας μετά από τρεις κύκλους paclitaxel (T1), στη μέση της θεραπείας μεταξύ paclitaxel και AC (T2) και μετά τη θεραπεία (T3). Από τους 272 ασθενείς που έλαβαν θεραπεία, 242 περιλήφθηκαν στην πρωτογενή ανάλυση.
Για να αντιμετωπίσουμε τις εγγενείς προκλήσεις στη διαχείριση των τρισδιάστατων δεδομένων ιατρικής απεικόνισης, χρησιμοποιήσαμε την βιβλιοθήκη Medical Open Network for AI (MONAI). Η MONAI, σχεδιασμένη ειδικά για την ιατρική απεικόνιση, παρέχει ισχυρά εργαλεία για αύξηση δεδομένων και προ-επεξεργασία, τα οποία είναι κρίσιμα για την ενίσχυση του συνόλου δεδομένων και τη βελτίωση της απόδοσης των μοντέλων. Σε αυτή τη μελέτη, εφαρμόστηκαν τεχνικές αύξησης δεδομένων, συμπεριλαμβανομένων τυχαίων περιστροφών, αναστροφών και ρυθμίσεων έντασης.
Επιπλέον, αναπτύξαμε έναν προσαρμοσμένο αλγόριθμο αποκοπής των ΜRI εικόνων για να αυξήσουμε των αριθμό αυτών. Οι αποκομμένες εικόνες στη συνέχεια υποβλήθηκαν σε επεξεργασία από τις αρχιτεκτονικές DenseNet για ταξινόμηση.
Ο κύριος στόχος αυτής της μελέτης είναι να αξιολογήσει την διαγνωστική ακρίβεια αυτών των μοντέλων, μια κρίσιμη μετρική που δείχνει την αναλογία των σωστά ταξινομημένων εικόνων από το σύνολο. Τα ευρήματά μας αποκαλύπτουν ότι τα DenseNet121, DenseNet169 και DenseNet264 παρουσιάζουν ανθεκτική απόδοση με ακρίβεια 81.48%, υποδεικνύοντας μια σταθερή ικανότητα στη διάκριση λεπτών χαρακτηριστικών που υποδηλώνουν κακοήθειες μαστού. Αντίθετα, το DenseNet201 παρουσιάζει ελαφρώς χαμηλότερη ακρίβεια 77.78%, τονίζοντας την ανάγκη για πε- ραιτέρω διερεύνηση των αρχιτεκτονικών λεπτομερειών που συμβάλλουν στις διαφορές στην απόδοση.
Πέρα από την ακρίβεια, εξετάζουμε επίσης την υπολογιστική αποδοτικότητα και την πολυπλοκότητα των μοντέλων αυτών των αρχιτεκτονικών. Η αποδοτική χρήση παραμέτρων και η πυκνή συνδεσιμότητα των μοντέλων DenseNet τα καθιστούν υποσχόμενα για την καθημερινή κλινική πράξη, όπου οι υπολογιστικοί πόροι και η ταχύτητα διάγνωσης είναι κρίσιμες παράμετροι.
Η σημασία αυτής της μελέτης έγκειται στην λεπτομερή αξιολόγηση των αρχιτεκτονικών DenseNet για την ταξινόμηση καρκίνου του μαστού σε MRI, παρέχοντας πολύτιμες γνώσεις για την αποδοτικότητά τους και τις δυνατότητές τους για κλινική εφαρμογή. Με την αποσαφήνιση των διαφορών στην απόδοση μεταξύ των διαφορετικών μοντέλων DenseNet, αυτή η εργασία όχι μόνο επικυρώνει τη χρησιμότητά τους στη ιατρική διάγνωση αλλά και προσφέρει καθοδήγηση για τη βελτιστοποίηση των στρατηγικών επιλογής και ανάπτυξης μοντέλων στην κλινική πρακτική.
(EL)
Breast cancer remains one of the most prevalent and life-threatening diseases affecting women worldwide. Early and accurate diagnosis is crucial for improving patient outcomes and survival rates. Magnetic Resonance Imaging (MRI) has emerged as a significant tool for detecting and characterizing breast cancer due to its high-resolution capabilities and sensitivity to soft tissue contrast. However, the complexity and volume of MRI data present significant challenges for radiologists, necessitating the development of automated and reliable methods for image analysis and classification.
In recent years, the emergence of deep learning and Convolutional Neural Networks (CNNs) has revolutionized the field of medical imaging, offering unprecedented accuracy and efficiency in image classification tasks. Among various CNN architectures, Dense Convolutional Networks (DenseNet) have garnered particular attention for their performance in such tasks.
This thesis focuses on the application of DenseNet architectures in classifying tumor regions as cancerous in three-dimensional breast MRIs. Specifically, we evaluate the performance of four DenseNet variants—DenseNet121, DenseNet169, DenseNet201, and DenseNet264—in accurately identifying malignant areas within breast MRIs.
The data used in this study comes from the ACRIN 6698, a multicenter study aiming to evaluate the effectiveness of Diffusion Weighted Imaging (DWI) in assessing breast cancer response to neoadjuvant chemotherapy (NAC). This study was part of the larger I-SPY 2, which seeks new treatments for breast cancer. A total of 406 women with invasive breast cancer were enrolled across ten institutions between August 2012 and January 2015. Participants underwent breast DWI using a 4-b value protocol, along with standard T2-weighted and dynamic contrast-enhanced (DCE) imaging at four stages of NAC: pre-treatment (T0), early treatment after three cycles of paclitaxel (T1), mid-treatment between paclitaxel and AC (T2), and post-treatment (T3). Of the 272 patients who received treatment, 242 were included in the primary analysis.
To address the inherent challenges in handling three-dimensional medical imaging data, we utilized the Medical Open Network for AI (MONAI) library. MONAI, designed specifically for medical imaging, provides robust tools for data augmentation and pre-processing, which are crucial for enhancing the dataset and improving model performance. In this study, data augmentation techniques, including random rotations, flips, and intensity adjustments, were applied.
Additionally, we developed a custom algorithm for cropping MRI images to increase their number. The cropped images were then processed by the DenseNet architectures for classification.
The primary goal of this study is to assess the diagnostic accuracy of these models, a critical metric indicating the proportion of correctly classified images from the total. Our findings reveal that DenseNet121, DenseNet169, and DenseNet264 exhibit robust performance with an accuracy of 81.48%, indicating a solid capability in discerning subtle features indicative of breast malignancies. In contrast, DenseNet201 shows a slightly lower accuracy of 77.78%, highlighting the need for further investigation into the architectural details contributing to performance differences.
Beyond accuracy, we also examine the computational efficiency and complexity of these architectures. The efficient use of parameters and dense connectivity of DenseNet models make them promising for everyday clinical practice, where computational resources and diagnostic speed are critical parameters.
The significance of this study lies in the detailed evaluation of DenseNet architectures for breast cancer classification in MRI, providing valuable insights into their efficacy and potential for clinical application. By elucidating performance differences among various DenseNet models, this work not only validates their utility in medical diagnosis but also offers guidance for optimizing model selection and development strategies in clinical practice.
(EN)
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
