Breast tumor segmentation and classification using deep learning methods

Abstract

O cancro da mama é o tipo de cancro mais comum e a principal causa de morte por cancro nas mulheres. A deteção atempada é crucial para o sucesso do tratamento e para a redução da taxa de mortalidade. Embora várias modalidades de imagem sejam utilizadas para detetar lesões mamárias, a ultrassonografia tornou-se uma das mais frequentes, uma vez que é segura, portátil, de baixo custo e permite uma examinação em tempo real. Deste modo, a segmentação e classificação automáticas de tumores em imagens de ultrassom da mama podem auxiliar no seu diagnóstico, proporcionando uma segunda opinião aos especialistas. No entanto, realizar uma segmentação e classificação de lesões com precisão, através desta modalidade de imagem, é desafiante devido à má qualidade de imagem e elevada variabilidade das lesões. Recentemente, algoritmos de deep learning têm demonstrado grande potencial na área do processamento de imagem, nomeadamente para a segmentação e classificação em imagens de ultrassom da mama. Contudo, ainda há necessidade de investigação e melhoria para ser possível aplicar com confiança estas abordagens na prática clínica. Adicionalmente, o ultrassom pode ser utilizado para orientar a agulha durante a biópsia mamária, um procedimento que exige elevado rigor. O projecto OncoNavigator, no âmbito do qual esta dissertação foi realizada, visa combinar imagem médica em tempo real com um robô médico colaborativo para melhorar a precisão do rastreio do cancro da mama e na biópsia mamária guiada por ultrassom. Considerando a necessidade de métodos automáticos para a segmentação e classificação para melhorar a prática clínica e de modo a aplicar inteligência artificial no robô médico colaborativo, nesta dissertação, foi desenvolvida uma nova multi-task learning network para a segmentação e classificação simultânea de tumores em imagens de ultrassom de mama. O método proposto foi avaliado em 810 imagens de ultrassom de dois conjuntos de dados, o BUSI e o UDIAT, tendo obtido um Dice de 80.72%, na seg mentação, e area under the curve de 94.34%, na classificação. Em suma, o método demonstrou ser bem sucedido no delineamento e categorização de lesões e revelou potencial para ser incorporado num robô médico colaborativo para intervenções de cancro da mama e para auxiliar no seu diagnóstico.

Breast cancer is the most common type of cancer and the leading cause of cancer death in women. Early detection is crucial for successful treatment and for reducing the mortality rate. Although several imaging modalities are used to detect breast lesions, ultrasound has become one of the most frequent as it is safe, portable, cost-effective and allows real-time examination. Thus, automatic tumor segmentation and classification in breast ultrasound images may aid their diagnosis, providing a second opinion to the expertise. However, accurate segmentation and classification of lesions using this imaging modality is challenging due to the poor image quality and high lesion variability. Recently deep learning algorithms have shown great potential in the image processing field, namely for breast ultrasound segmentation and classification. Nevertheless, there is still a need for research and improvement to confidently apply these approaches in clinical practice. Additionally, ultrasound can be used for needle guidance during breast biopsy, a procedure that requires high accuracy. The OncoNavigator project, under which this dissertation was conducted, aims to combine real-time medical imaging with a collaborative medical robot to improve the precision of breast cancer screening and ultrasound-guided breast biopsy. Considering the need for automatic methods for segmentation and classification to improve clinical practice and to apply artificial intelligence to the collaborative medical robot, in this dissertation, a novel multi-task learning network for simultaneous tumor segmentation and classification in breast ultrasound images was developed. The proposed method was evaluated on 810 ultrasound images from two datasets, BUSI and UDIAT, and obtained a Dice of 80.72% in segmentation and area under the curve of 94.34% in classification. In summary, the method proved successful in delineating and categorizing lesions and revealed potential to be incorporated into a collaborative medical robot for breast cancer interventions and to assist in its diagnosis.