Detección automática de lesiones en mamografías mediante deep learning

Abstract

[en] Breast cancer is one of the leading causes of cancer-related death among women worldwide. With early detection, the chances of successful treatment leading to a positive outcome for the patient increase significantly. However, manual analysis of mammograms is a complex, time-consuming process prone to human error. This bachelor’s thesis explores the use of deep learning techniques to automate tumor detection in mammograms, with the goal of supporting medical diagnosis. In other words, it aims to be a support tool for doctors, assisting them in their work.

To carry out this project, thousands of mammograms were used to train different models. The images had been downloaded in DICOM format, a specialized file type used in medical imaging. By implementing various algorithms, we converted these DICOM images into PNG format and then created a COCO-format dataset to process them properly. Special attention was paid to properly splitting the dataset, ensuring that no patient appeared in more than one subset (training, validation, or test), and balancing the different breast density categories.

Two datasets were used primarily: OPTIMAM and CBIS-DDSM. We performed comparisons and used techniques such as transfer learning to draw conclusions.

RetinaNet was chosen for this work, as it is an effective architecture for object detection tasks, particularly due to its ability to detect small objects. Multiple experiments were conducted, varying the use of pretrained models and data augmentation techniques, and performance was evaluated using various metrics.

[ca] El càncer de mama és una de les principals causes de mort per càncer entre les dones a nivell mundial. Amb una detecció precoç, augmenten considerablement les possibilitats d’un tractament que porti a una solució positiva per a la pacient. Tot i això, l’anàlisi manual de mamografies és un procés complex, llarg i que pot portar a errors humans. En aquest treball de fi de grau s’explora l’ús de tècniques de deep learning per automatitzar la detecció de tumors en mamografies, amb l’objectiu de donar suport al diagnòstic mèdic. És a dir, serà una eina de suport als metges, que els ajudarà en la seva feina.

Per dur a terme aquest projecte, s’han utilitzat milers de mamografies per entrenar els diferents models. Les imatges es van descarregar en format DICOM, un tipus d’arxiu especial per a usos mèdics. Mitjançant la implementació de diversos algoritmes, vam convertir aquestes imatges del format DICOM a PNG i posteriorment vam crear un format COCO per tal de processar-les adequadament. S’ha tingut especial cura en la correcta divisió del conjunt de dades, garantint que no hi hagi dades d’un mateix pacient repartides entre els conjunts d’entrenament, validació i prova, i equilibrant les diferents densitats mamàries.

S’usaran principalment dos datasets, OPTIMAM i CBIS-DDSM. Realitzarem comparacions i tècniques com Transfer Learning per finalment treure conclusions.

S’ha optat per utilitzar RetinaNet, una arquitectura eficaç per a tasques de detecció d’objectes, per la seva capacitat de detectar objectes petits. S’han realitzat múltiples experiments variant l’ús de models preentrenats i tècniques d’augment de dades, i s’ha avaluat el rendiment mitjançant diverses mètriques.