Dissertação
Mammogram Classification and Segmentation through Deep Learning EVALUATED
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).
janeiro 13, 2021, 9:0
Publicação
Obra sujeita a Direitos de Autor
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