| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.63 MB | Adobe PDF |
Advisor(s)
Abstract(s)
O cancro da mama continua atualmente a ser um importante problema de saúde pública a nível
internacional e nacional pelo que a problemática da sua abordagem continua a ter todo o
interesse. Em Portugal, anualmente são detetados cerca de 7.000 novos casos de cancro da
mama, e 1.800 mulheres morrem com esta doença.
De acordo com a Norma da Direção-Geral da Saúde para abordagem imagiológica da mama
feminina, todas as mulheres assintomáticas com idade compreendida entre 50 e 69 anos,
devem realizar uma mamografia de rastreio a cada dois anos. Na presença de alterações
morfológicas ou em mulheres com risco moderado a elevado de cancro da mama, o médico
assistente pode sugerir antecipar a realização da mamografia e complementar a investigação
diagnóstica com os métodos que achar necessários. Se o cancro for detetado precocemente, a
probabilidade de o tratamento ser eficaz e bem-sucedido é muito mais elevada.
A ressonância magnética é um exame de alta sensibilidade e especificidade moderada, sugerida
em pacientes jovens, com aumento substancial do risco, i.e., que apresentam predisposição
genética ou história familiar da doença. Este exame utiliza uma tecnologia à base de ondas de
radiofrequência num forte campo magnético a fim de obter imagens mais detalhadas dos
tecidos internos da mama, no entanto, o seu uso é limitado pela indisponibilidade (imediata)
comparada com outros exames e preço associado e contraindicado em pessoas com
claustrofobia, dispositivos metálicos como pacemakers ou próteses ou reações ao meio de
contraste.
Assim, esta tese tem como objetivo desenvolver uma ferramenta de aprendizagem automática
com recurso a Redes Adversariais Generativas Cíclicas, capaz de converter uma imagem de
mamografia numa semelhante ao produto de uma ressonância magnética, com o intuito de
proporcionar uma melhor perceção do campo cirúrgico e aumentar os ganhos em saúde.
O conjunto de dados foi cedido pelo Centro Hospitalar Universitário de São João e continha
volumes de cortes transversais sucessivos de mamas. Neste caso, o corte seccional com área
transversal máxima era o único com interesse para estudo, por isso, extraímos todas as
localizações dos cortes para obter os cortes mediais respetivos das mamas.
As Redes Adversariais Generativas são pares de sistemas de Inteligência Artificial treinados para
criar conteúdo e realizar tarefas mais rapidamente do que um único sistema. Nesta tese, estas
realizam a tradução para uma imagem com base noutra singular não emparelhada, ou seja,
uma imagem semelhante ao produto de uma ressonância magnética com base numa
mamografia, sem imagem de ressonância magnética correspondente.
As ferramentas métricas de Medida do Índice de Similaridade Estrutural e de Relação Sinal-Ruído
de Pico foram usadas para avaliar a qualidade da imagem sintetizada em relação à imagem real.
Com o valor de 0.69667, o valor obtido pela medida do índice de similaridade estrutural indica
alta similaridade da imagem criada com a de referência. Quanto à relação sinal-ruído de pico
obtida de 31.805 dB, usada para quantificar a qualidade da imagem reconstruída a partir de
uma imagem original que sofreu compressão, encontra-se dentro do intervalo de valores típicos. Embora as ferramentas métricas forneçam um resultado quantitativo do desempenho, a
melhor resposta que obtivemos foi visual. As imagens sintéticas obtidas apresentam uma
aparência visualmente realista, embora seja possível detetar nestes alguns artefactos, devido à
diferente forma de captação de imagem pelos diferentes exames e definição inferior dos exames
originais usados como base em comparação com a ressonância magnética.
Em conclusão, a partir de um conjunto de dados com 57 imagens obtidas por mamografia, em perfil
cefalo-caudal, foi possível gerar imagens sintéticas da estrutura mamária semelhantes ao
produto da ressonância magnética baseadas em mamografia implementando e testando
modelos de rede adversarial generativa, usando dados não emparelhados, como demonstrado
pelas diversas métricas e verificações gráficas.
Breast cancer has become a serious public health problem world-wide. According to European standards, all asymptomatic women aged 50 years and over should have breast cancer screenings, i.e., a mammogram. Magnetic resonance imaging produces extremely detailed pictures, facilitating a more accurate diagnosis. However, its’ use is limited. Thus, this thesis aims to implement an efficient deep learning method using Cycle-consistent Generative Adversarial Networks to synthesize artificial thoracic magnetic resonance imaging exams from mammograms, with the purpose of providing a better perception of the surgical field and increasing health gains. The dataset was provided by Centro Hospitalar Universitário de São João and contained successive cross-sections of breast volumes. Structured Similarity Indexing Method and Peak Signal to Noise-Ratio were the reference-based metrics used to evaluate the quality of the synthesized images. The structured similarity indexing method value rounds up to 0.69667, meaning the output images present high similarity to the reference one. The peak signal to noise-ratio equals 31.805 dB, which falls within the typical values’ interval. Via perceptual study, we consider the output images to have a visually realistic appearance, when compared to real ones. In conclusion, we were able to generate synthetic magnetic resonance-like images based on mammogram by implementing and testing generative adversarial network models, using unpaired data, as demonstrated by the several metrics and graphical checks. Although, it is worth noting that the product images have visually detectable artifacts and lack the definition of real exams.
Breast cancer has become a serious public health problem world-wide. According to European standards, all asymptomatic women aged 50 years and over should have breast cancer screenings, i.e., a mammogram. Magnetic resonance imaging produces extremely detailed pictures, facilitating a more accurate diagnosis. However, its’ use is limited. Thus, this thesis aims to implement an efficient deep learning method using Cycle-consistent Generative Adversarial Networks to synthesize artificial thoracic magnetic resonance imaging exams from mammograms, with the purpose of providing a better perception of the surgical field and increasing health gains. The dataset was provided by Centro Hospitalar Universitário de São João and contained successive cross-sections of breast volumes. Structured Similarity Indexing Method and Peak Signal to Noise-Ratio were the reference-based metrics used to evaluate the quality of the synthesized images. The structured similarity indexing method value rounds up to 0.69667, meaning the output images present high similarity to the reference one. The peak signal to noise-ratio equals 31.805 dB, which falls within the typical values’ interval. Via perceptual study, we consider the output images to have a visually realistic appearance, when compared to real ones. In conclusion, we were able to generate synthetic magnetic resonance-like images based on mammogram by implementing and testing generative adversarial network models, using unpaired data, as demonstrated by the several metrics and graphical checks. Although, it is worth noting that the product images have visually detectable artifacts and lack the definition of real exams.
Description
Keywords
Mammogram Magnetic Resonance Imaging Generative Adversarial Networks