Computer aided detection for breast lesion in ultrasound and mammography

Abstract

In the field of breast cancer imaging, traditional Computer Aided Detection (CAD) systems were designed using limited computing resources and used scanned films (poor image quality), resulting in less robust application process. Currently, with the advancements in technologies, it is possible to perform 3D imaging and also acquire high quality Full-Field Digital Mammogram (FFDM).

Automated Breast Ultrasound (ABUS) has been proposed to produce a full 3D scan of the breast automatically with reduced operator dependency. When using ABUS, lesion segmentation and tracking changes over time are challenging tasks, as the 3D nature of the images make the analysis difficult and tedious for radiologists. One of the goals of this thesis is to develop a framework for breast lesion segmentation in ABUS volumes. The 3D lesion volume in combination with texture and contour analysis, could provide valuable information to assist radiologists in the diagnosis.

Although ABUS volumes are of great interest, x-ray mammography is still the gold standard imaging modality used for breast cancer screening due to its fast acquisition and cost-effectiveness. Moreover, with the advent of deep learning methods based on Convolutional Neural Network (CNN), the modern CAD Systems are able to learn automatically which imaging features are more relevant to perform a diagnosis, boosting the usefulness of these systems. One of the limitations of CNNs is that they require large training datasets, which are very limited in the field of medical imaging.

In this thesis, the issue of limited amount of dataset is addressed using two strategies: (i) by using image patches as inputs rather than full sized image, and (ii) use the concept of transfer learning, in which the knowledge obtained by training for one task is used for another related task (also known as domain adaptation). In this regard, firstly the CNN trained on a very large dataset of natural images is adapted to classify between mass and non-mass image patches in the Screen-Film Mammogram (SFM), and secondly the newly trained CNN model is adapted to detect masses in FFDM. The prospects of using transfer learning between natural images and FFDM is also investigated. Two public datasets CBIS-DDSM and INbreast have been used for the purpose. In the final phase of research, a fully automatic mass detection framework is proposed which uses the whole mammogram as the input (instead of image patches) and provides the localisation of the lesion within this mammogram as the output. For this purpose, OPTIMAM Mammography Image Database (OMI-DB) is used.

The results obtained as part of this thesis showed higher performances compared to state-of-the-art methods, indicating that the proposed methods and frameworks have the potential to be implemented within advanced CAD systems, which can be used by radiologists in the breast cancer screening

En el camp de les imatges de càncer de mama, els sistemes tradicionals de detecció assistida per ordinador (de l’anglès CAD) es van dissenyar utilitzant recursos informàtics limitats i pel·lícules de mamografia escanejades (del angles SFM) de qualitat d’imatge deficient, fet que va resultar en aplicacions poc robustes. Actualment, amb els avanços de les tecnologies, és possible realitzar imatges mèdiques en 3D i adquirir mamografies digitals (de l’anglès FFDM) d’alta qualitat. L’ultrasò automàtic de la mama (de l’anglès ABUS) ha estat proposat per adquirir imatges 3D de la mama amb escassa dependència del operador. Quan s’utilitza ABUS, la segmentació i seguiment de les lesions en el temps s ́on tasques complicades ja que la naturalesa 3D de les imatges fa que l’anàlisi sigui difícil i feixuc per els radiòlegs. Un dels objectius d’aquesta tesi és desenvolupar un marc per la segmentació semi-automàtica de lesions mamàries en volums ABUS. El volum de lesió 3D, en combinació amb l’anàlisi de la textura i el contorn, podria proporcionar informació valuosa per realitzar el diagnòstic radiològic. Tot i que els volums de ABUS són de gran interès, la mamografia de raigs X continua essent la modalitat d’imatge estàndard utilitzada per la detecció precoç del càncer de mama, degut principalment a la seva ràpida adquisició i rendibilitat. A més, amb l’arribada dels mètodes d’aprenentatge profund basats en xarxes neuronals convolucionals (de l’anglès CNN), els sistemes CAD moderns poden aprendre automàticament quines característiques de la imatge són més rellevants per realitzar un diagnòstic, fet que augmenta la utilitat d’aquests sistemes. Una de les limitacions de les CNN és que requereixen de grans conjunts de dades per entrenar, els quals són molt limitats en el camp de la imatge mèdica. En aquesta tesi, el tema de la poca disponibilitat d’imatges mediques s’aborda mitjançant dues estratègies: (i) utilitzant regions de la imatge com a entrada en comptes de les imatges de mida original, i (ii) mitjançant tècniques d’aprenentatge per transferència, en el que el coneixement après per a una determinada tasca es transfereix a una altra tasca relacionada (també conegut com a adaptació de domini). En primer lloc, la CNN entrenada en un conjunt de dades molt gran d’imatges naturals és adaptada per classificar regions de la imatge en tumor i no tumor de SFM i, en segon lloc, la CNN entrenada és adaptada per detectar tumors en FFDM. També s’ha investigat l’aprenentatge per transferència entre imatges naturals i FFDM. S’han utilitzat dos conjunts de dades públiques (CBIS-DDSM i INbreast) per aquest propòsit. En la fase final de la investigació, es proposa un marc de detecció automàtica de tumors utilitzant la mamografia original com entrada (en lloc de regions de la imatge) i que proporciona la localització de la lesió dins d’aquesta mamografia com a sortida. Per aquest propòsit s’utilitza una altra base de dades (OMI-DB). Els resultats obtinguts com a part d’aquesta tesi mostren millors rendiments en comparació amb l’estat de l’art, el que indica que els mètodes i marcs proposats tenen el potencial de ser implementats dins de sistemes CAD avançats, que poden ser utilitzats per radiòlegs en el cribratge del càncer de mama