ارائه ­دهنده:

سپیده برکت رضایی

استاد راهمنا:

دکتر محسن سریانی


هیات داوران:

دکتر محمدرضا جاهدمطلق

 دکتر محمدرضا محمدی 

دکتر حمید ابریشمی‌مقدم (دانشگاه خواجه نصیرالدین طوسی)

دکتر عمادالدین فاطمی‌زاده (دانشگاه صنعتی شریف)



 زمان ۲۷ بهمن ماه ۱۴۰۴

  ساعت: ۱۶:۰۰
 

مکان: سالن دفاعیه طبقه سوم دانشکده مهندسی کامپیوتر

 

چکیده

سرطان پستان رایج‌ترین نوع سرطان در میان زنان و یکی از مهم‌ترین عوامل مرگ‌ومیر ناشی از سرطان در بسیاری از کشورهای جهان است. تشخیص این بیماری در مراحل اولیه تأثیر زیادی در کاهش نرخ مرگ‌ومیر دارد. تصویربرداری اولتراسوند خودکار سه‌بعدی پستان (۳D ABUS) اخیراً در کنار ماموگرافی برای تشخیص زودهنگام سرطان پستان استفاده می‌شود. حجم سه‌بعدی حاصل از این تصویربرداری شامل تعداد زیادی برش است که بررسی کامل آن توسط رادیولوژیست بسیار زمان‌بر و مستعد خطاست. این چالش، ضرورت توسعه سامانه‌های آشکارسازی و تشخیص کامپیوتری (CAD) کارآمد و قابل اعتماد را برجسته می‌سازد.
در این رساله، یک سامانه CAD مبتنی بر یادگیری عمیق برای تصاویر ۳D ABUS ارائه شده است. در این سامانه، ابتدا نواحی مشکوک به وجود توده آشکارسازی شده و سپس توده‌های شناسایی‌شده از نظر خوش‌خیمی یا بدخیمی رده‌بندی می‌شوند. نوآوری اصلی در مرحله آشکارسازی، طراحی یک راهبرد دو‌مرحله‌ای مبتنی بر دو شبکه عصبی پیچشی سه‌بعدی با نقش‌های مکمل است. شبکه اول برای دستیابی به حساسیت حداکثری طراحی شده، در حالی که شبکه دوم کاهش مثبت‌های کاذب را بدون افت محسوس حساسیت دنبال می‌کند. هر دو شبکه بر پایه معماری ۳D U-Net طراحی شده‌اند. دو نوع ماژول Inception برای استخراج ویژگی‌های سه‌بعدی و ویژگی‌های جهت‌دار ساختاری طراحی شده‌اند. در شبکه دوم، واحدهای توجه روی اتصال‌های پرشی به گونه‌ای طراحی شده‌اند که با استفاده مستقیم از خروجی شبکه اول، مدل را بر نواحی مشکوک متمرکز کنند و مثبت‌های کاذب را به‌طور مؤثری کاهش دهند. روش آشکارسازی پیشنهادی به حساسیت ۴۸/۹۱% و میانگین FP برابر با ۸۵/۸ به ازای هر بیمار دست یافته است.
خروجی مرحله آشکارسازی به‌صورت نواحی نامزد برای مرحله رده‌بندی در نظر گرفته می‌شود. پیش از انجام رده‌بندی، مرز توده‌ها می‌تواند توسط رادیولوژیست یا با استفاده از روش‌های خودکار پالایش مرز اصلاح شود تا ناحیه دقیق توده و ماسک متناظر آن به‌عنوان ورودی مرحله رده‌بندی مورد استفاده قرار گیرد. در مرحله رده‌بندی، یک چارچوب ترکیبی شامل سه مدل ماشین بردار پشتیبان (SVM)، درخت‌های کاملاً تصادفی (Extra Trees) و یک شبکه عصبی طراحی شده است. خروجی این سه مدل با استفاده از یک رده‌بند پشته‌ای با یکدیگر ترکیب و رده نهایی مشخص می‌شود. در SVM و Extra Trees، از ویژگی‌های طراحی‌شده دستی شامل ویژگی‌های رادیومیک و مقادیر ویژه لاپلاس-بلترامی استفاده شده است. شبکه عصبی پیشنهادی ویژگی‌ها را از وصله حول توده و ماسک مربوطه در دو مسیر جداگانه استخراج کرده و پس از الحاق با ویژگی‌های لاپلاس-بلترامی، رده‌بندی را از طریق لایه‌های تمام‌متصل انجام می‌دهد. روش رده‌بندی پیشنهادی به صحت ۲۹/۸۴% و سطح زیر منحنی ROC برابر با ۵/۹۳% دست یافته است.

واژه‌های کلیدی: تصویربرداری اولتراسوند خودکار سه‌بعدی پستان، آشکارسازی و تشخیص کامپیوتری، شبکه عصبی پیچشی عمیق، آشکارسازی توده، رده‌بندی توده.

: Abstract

Breast cancer is the most common cancer among women and one of the leading causes of cancer-related death worldwide. Early detection of breast cancer has a significant effect on reducing its mortality rate. Automated three-dimensional breast ultrasound (۳D ABUS) imaging has recently been used alongside mammography for the early detection of breast cancer. The ۳D volumes produced by this imaging system includes many slices, making comprehensive review by radiologists time-consuming and prone to error. This challenge highlights the need for developing efficient and reliable computer-aided detection and diagnosis (CAD) systems.
This thesis presents a deep learning-based CAD system for analyzing ۳D ABUS images. In this system, suspicious mass regions are first detected, and the detected masses are then classified as benign or malignant. The main innovation in the detection stage is the design of a two-stage strategy based on two ۳D convolutional neural networks with complementary roles. The first network is designed to achieve maximum sensitivity, while the second network aims to reduce false positives without compromising sensitivity. Both networks are designed based on the ۳D U-Net architecture. Two types of Inception modules are designed to extract ۳D features and directional structural features. In the second network, new attention units are incorporated into the skip connections, which directly utilize the output of the first network to guide the model’s focus toward suspicious regions and effectively reduce false positives. The proposed detection method achieves a sensitivity of ۹۱.۴۸% and a mean false positive of ۸.۸۵ per patient.
The output of the detection stage is considered as candidate regions for the classification stage. Before classification, mass boundaries can be refined either by a radiologist or by using automated boundary refinement methods, ensuring that the precise mass region and its corresponding mask are used as inputs to the classification stage. In the classification stage, a hybrid framework consisting of a support vector machine (SVM), extremely randomized trees (Extra Trees) and a neural network is proposed. The outputs of these three models are combined using a stacking classifier to determine the final class. The SVM and Extra Trees models are trained using handcrafted features including radiomic features and Laplace-Beltrami eigenvalues. The proposed neural network extracts features from both the image patch around the mass and its corresponding mask via two separate convolutional paths and, after concatenating with the Laplace-Beltrami features, performs classification through fully connected layers. The proposed classification method achieves an accuracy of ۸۴.۲۹% and an area under the ROC curve (AUC) of ۹۳.۵%.

Keywords: Automated Three-Dimensional Breast Ultrasound Imaging, Computer-aided Detection and Diagnosis, Deep Convolutional Neural Network, Mass Detection, Mass Classification.