Μελέτη και ανάπτυξη συστήματος αυτόματης ανίχνευσης και αναγνώρισης ύποπτων καρκινικών περιοχών σε ακτινογραφίες μαστογραφίας

Abstract

Breast cancer remains a significant global health issue, ranking as the second most prevalent cancer worldwide and the most frequently diagnosed cancer among women. The paramount importance of early, automated, and precise detection cannot be overstated, as it is intrinsically linked to improved patient prognosis and more effective treatment strategies. Advanced medical imaging plays a pivotal role in the detection, diagnosis, and management of breast cancer. The primary imaging modalities employed include mammography, encompassing Full-Field Digital Mammography (FFDM) and Digital Breast Tomosynthesis (DBT), breast ultrasound (US), and Magnetic Resonance Imaging (MRI). Each of these modalities possesses distinct advantages and limitations in the context of breast cancer screening and diagnosis. Mammography, particularly FFDM, is a cornerstone of breast cancer screening, primarily due to its efficacy in identifying microcalcifications, which are often early indicators of malignancy. Digital mammography offers advantages in image storage and sharing, while DBT, or 3D mammography, enhances visualization by creating cross-sectional images of the breast, thereby reducing tissue overlap and potentially improving cancer detection rates, especially in women with dense breast tissue. The continued reliance on FFDM, even with its recognized limitations such as observer variability and the aforementioned workload and diagnostic errors, highlights a significant opportunity for artificial intelligence (AI) driven solutions, like Generative Adversarial Networks (GANs), to make a substantial contribution. Such contributions could extend beyond merely aiding in cancer detection to potentially optimizing screening workflows, standardizing image interpretation aspects, or enhancing the training of radiologists. Traditional AI and Computer-Aided Detection (CAD) systems, while beneficial, have their own constraints, including significant computational overhead or a propensity for errors, particularly false positives. Compounding these issues is the common scenario in medical imaging where datasets are relatively small, imbalanced (e.g., far more normal exams than cancerous ones), and subject to stringent privacy regulations that limit sharing and aggregation. GANs present a promising avenue to address these multifaceted problems by offering capabilities such as the generation of diverse and realistic synthetic training data to improve the robustness and generalization of diagnostic models, the synthesis of images to simulate rare pathological conditions or specific tissue characteristics (e.g., varying breast densities), the enhancement of image quality through denoising or super-resolution, and the potential creation of images for training and research purposes without exposing real patient data, thereby mitigating privacy concerns. Thus, the increasing adoption of GANs in breast imaging can be understood as a targeted and strategic response to these well-recognized and critical challenges within the field. Moreover, the specific ways in which GANs are applied are often meticulously tailored to address the inherent weaknesses or to amplify the strengths of particular breast imaging modalities. For instance, mammography's effectiveness is known to be reduced in dense breast tissue where lesions can be obscured; consequently, GANs are being developed to synthesize realistic high-density mammograms for training AI to perform better in such conditions, or to directly highlight lesions embedded within dense tissue. Early detection of breast abnormalities using mammography is critical to improving prognosis and survival. However, dense breast tissue can severely affect the diagnostic accuracy of mammography as it can mask underlying malignancies, making early detection more difficult. To tackle this urgent problem, our research presents a novel method to convert breast density ROIs in mammograms through generative adversarial networks (GANs), particularly CycleGAN and its variant GAN Hopper. The objective is to diminish the masking influence of dense tissue, thus enhancing the detection of hidden malignancies. Our method employs unsupervised image-to-image translation to convert mammographic images of high breast density (ACR-D) to low density (ACR-A) and identify hidden lesions while maintaining the original diagnostic characteristics. We utilized this approach on various mammogram datasets and showcased its efficacy in diverse environments. Experimental findings indicate that this approach has achieved meaningful advancements in identifying possible tumors concealed by dense breast tissue. Our research presents an innovative mammogram evaluation approach utilizing advanced machine learning methods, aimed at enhancing the diagnostic precision of dense breast tissue and anticipated to enhance the identification and management of early breast cancer.

O καρκίνος του μαστού είναι ο δεύτερος πιο συχνός καρκίνος παγκοσμίως, και αποτελεί την κύρια αιτία θανάτων που σχετίζονται με καρκίνο μεταξύ των γυναικών παγκοσμίως. Η ύψιστη σημασία της έγκαιρης, αυτοματοποιημένης και ακριβούς ανίχνευσης δεν μπορεί να υπερεκτιμηθεί, καθώς είναι άρρηκτα συνδεδεμένη με τη βελτιωμένη πρόγνωση για τους ασθενείς και τις πιο αποτελεσματικές στρατηγικές θεραπείας. Οι τεχνικές ιατρικής απεικόνισης είναι ζωτικής σημασίας για την πρώιμη και ακριβή ανίχνευση του καρκίνου του μαστού, βελτιώνοντας έτσι τα αποτελέσματα της διαχείρισης αυτών των περιστατικών. Οι κύριες απεικονιστικές μέθοδοι που χρησιμοποιούνται περιλαμβάνουν τη μαστογραφία, η οποία περιλαμβάνει την Ψηφιακή Μαστογραφία Πλήρους Πεδίου (FFDM), την Ψηφιακή Τομοσύνθεση Μαστού (DBT), το υπερηχογράφημα μαστού (US) και τη Μαγνητική Τομογραφία (MRI). Κάθε μία από αυτές τις μεθόδους παρουσιάζει ξεχωριστά πλεονεκτήματα και περιορισμούς στο πλαίσιο του προληπτικού ελέγχου και της διάγνωσης του καρκίνου του μαστού. Η μαστογραφία, και ιδιαίτερα η Ψηφιακή Μαστογραφία Πλήρους Πεδίου (FFDM), αποτελεί την επιτομή του προληπτικού ελέγχου για τον καρκίνο του μαστού, κυρίως λόγω της αποτελεσματικότητάς της στην αναγνώριση των μικροασβεστώσεων, οι οποίες συχνά αποτελούν πρώιμες ενδείξεις κακοήθειας. Η ψηφιακή μαστογραφία προσφέρει πλεονεκτήματα στην αποθήκευση και τον διαμοιρασμό εικόνων, ενώ η DBT ή αλλιώς τρισδιάστατη μαστογραφία, βελτιώνει την οπτική απεικόνιση δημιουργώντας πολλαπλές διαδοχικές εικόνες εγκάρσιας τομής, μειώνοντας έτσι την επικάλυψη των ιστών και βελτιώνοντας ενδεχομένως τα ποσοστά ανίχνευσης καρκίνου, ειδικά σε γυναίκες με πυκνό μαστικό ιστό. Η συνεχιζόμενη εξάρτηση από την FFDM, ακόμη και με τους αναγνωρισμένους περιορισμούς του, όπως η υποκειμενικότητα των αξιολογητών (ραδιολόγοι), ο φόρτος εργασίας και τα διαγνωστικά σφάλματα, επισημαίνουν ένα ευρύ πεδίο καινοτομίας για λύσεις που βασίζονται στην τεχνητή νοημοσύνη (AI), με εκπροσώπους τα Παραγωγικά Ανταγωνιστικά ∆ίκτυα (Generative Adversarial Networks (GAN)). Τέτοιες συνεισφορές θα μπορούσαν να επεκταθούν πέρα από την απλή υποβοήθηση στην ανίχνευση κακοηθειών, στην βελτιστοποίηση των εργασιακών ροών του προληπτικού ελέγχου, στην τυποποίηση των διαδικασιών ερμηνείας των απεικονιστικών μεθόδων ή και στην ενίσχυση της εκπαίδευσης των ακτινολόγων. Τα παραδοσιακά συστήματα Τεχνητής Νοημοσύνης και ανίχνευσης με τη βοήθεια υπολογιστή (CAD), αν και ωφέλιμα, έχουν τους δικούς τους περιορισμούς, συμπεριλαμβανομένης της σημαντικής υπολογιστικής επιβάρυνσης και της τάσης για σφάλματα, ιδιαίτερα τα ψευδώς θετικά. Αυτά τα ζητήματα επιδεινώνονται από την συνήθη περίπτωση, όπου τα σύνολα των ιατρικών δεδομένων είναι σχετικά μικρά, μη ισορροπημένα (π.χ., πολύ περισσότερα δεδομένα φυσιολογικών απεικονιστικών εξετάσεων από ό,τι τα δεδομένα με κακοήθειες), δεδομένα τα οποία υπόκεινται σε αυστηρούς κανονισμούς απορρήτου που περιορίζουν ή απαγορεύουν την κοινή χρήση και τη φύλαξη. Τα GANs παρουσιάζουν μια πολλά υποσχόμενη μεθοδολογία αντιμετώπισης αυτών των πολύπλευρων προβλημάτων, προσφέροντας δυνατότητες όπως η δημιουργία ποικίλων και ρεαλιστικών συνθετικών δεδομένων για τη βελτίωση της ευρωστίας και της γενίκευσης των διαγνωστικών μοντέλων, η την σύνθεση εικόνων για την προσομοίωση σπάνιων παθολογικών καταστάσεων ή συγκεκριμένων χαρακτηριστικών ιστών (π.χ., ποικίλες πυκνότητες μαστού), την βελτίωση της ποιότητας των απεικονιστικών εικόνων μέσω αποθορυβοποίησης ή υπερ-ανάλυσης και την πιθανή δημιουργία εικόνων για εκπαιδευτικούς και ερευνητικούς σκοπούς χωρίς την έκθεση των πραγματικών δεδομένων από ασθενείς, μετριάζοντας έτσι τις ανησυχίες για την προστασία της ιδιωτικότητας. Μπορεί συνεπώς να γίνει κατανοητή η ολοένα και αυξανόμενη υιοθέτηση των GANs στις απεικονιστικές προσεγγίσεις του μαστού. Επιπλέον, οι συγκεκριμένοι τρόποι με τους οποίους εφαρμόζονται τα GANs είναι συχνά σχολαστικά προσαρμοσμένοι για να αντιμετωπίσουν τις εγγενείς αδυναμίες ή να ενισχύσουν τα δυνατά σημεία συγκεκριμένων μεθόδων. Για παράδειγμα, η αποτελεσματικότητα της μαστογραφίας είναι γνωστό ότι μειώνεται στον πυκνό ιστό του μαστού όπου οι βλάβες μπορούν να καλυφθούν κάτω από το παχύ μαστικό στρώμα. Κατά συνέπεια, τα GANs εκπαιδεύονται ώστε να συνθέτουν ρεαλιστικές μαστογραφίες υψηλής πυκνότητας για την εκπαίδευση μοντέλων Τεχνητής Νοημοσύνης ώστε να αυξάνουν τις επιδόσεις των μοντέλων σε τέτοιες συνθήκες ή να επισημαίνουν άμεσα βλάβες που είναι κρυμμένες μέσα σε πυκνό μαστικό ιστό. Η έγκαιρη ανίχνευση ανωμαλιών του μαστού μέσω μαστογραφίας είναι απαραίτητη για τη βελτίωση της πρόγνωσης και των ποσοστών επιβίωσης. Ο πυκνός ιστός του μαστού αποτελεί σημαντική πρόκληση για τη μαστογραφία, καθώς μπορεί να συγκαλύψει κακοήθεις όγκους, οδηγώντας σε λανθασμένες διαγνώσεις. Αυτός ο περιορισμός απαιτεί καινοτόμες λύσεις για τη βελτίωση της ακρίβειας του προ συμπτωματικού ελέγχου για τον καρκίνο του μαστού. Η έρευνά μας διαπραγματεύεται μια νέα προσέγγιση που αξιοποιεί τη δύναμη της τεχνητής νοημοσύνης για την αντιμετώπιση αυτού του ζητήματος. Προτείνουμε μια μέθοδο που χρησιμοποιεί το CycleGAN, σε συνδυασμό με το GANHopper, για τη μετατροπή της πυκνότητας μαστού των περιοχών ενδιαφέροντος (ROI). Αυτή η τεχνική μετάφρασης εικόνας σε εικόνα χωρίς επίβλεψη, στοχεύει στη μείωση του φαινομένου κάλυψης που προκαλείται από τον πυκνό περιβάλλοντα ιστό. Μεταβάλλοντας αποτελεσματικά την εμφάνιση του πυκνού ιστού, η προσέγγισή μας επιδιώκει να ενισχύσει την ορατότητα των υποκείμενων κακοηθειών, βελτιώνοντας τελικά την ευαισθησία και την αξιοπιστία του μαστογραφικού ελέγχου. Εφαρμόσαμε αυτήν την προσέγγιση σε πολλαπλά σύνολα δεδομένων μαστογραφίας, αποδεικνύοντας την αποτελεσματικότητά της σε ποικίλα περιβάλλοντα λήψης των μαστογραφικών εικόνων. Τα πειραματικά αποτελέσματα παρουσιάζουν σημαντικές αυξήσεις στα ποσοστά επιτυχούς ανίχνευσης πιθανών κακοηθειών που κρύβονται από τον πυκνό περιβάλλοντα ιστό. Η ανάλυση μαστογραφίας με την επικουρική βοήθεια της τεχνητής νοημοσύνης προσφέρει βελτιωμένα ποσοστά ανίχνευσης καρκίνου σε μαστούς με αυξημένη πυκνότητα, σε σύγκριση με την χρήση των παραδοσιακών μεθόδων. Αυτή η βελτίωση δυνητικά οδηγεί σε πρώιμες διαγνώσεις και βελτιωμένα αποτελέσματα των ιατρικών προσεγγίσεων στους ασθενείς.