Mammografiklassificering och Nodulär Detektion med Djupa Neurala Nätverk

Mammographic screenings are the most common modality for an early detection of breast cancer, but a robust annotation of the depicted breast tissue presents an ongoing challenge, even for well-experienced radiologists. Computer-aided diagnosis systems can support the human classification. Modern systems therefore often rely on deep-learning based methods. This thesis investigates the fully automatic on-image classification of mammograms into one of the classes benign, malignant (cancerous) or normal. In this context, we compare two different design paradigms, one straightforward end-to-end model with a more complex decomposition hierarchy. While the end-to-end model consists mainly of the deep-learning based classifier, the decomposition pipeline incorporates multiple stages i.e. a region of interest detection (realized as a fully convolutional architecture) followed by a classification stage. Contrary to initial expectations, the end-to-end classifier turned out to obtain a superior performance in terms of accuracy (end-to-end: 76.57 %, decomposition: 65.66 %, computed as mean over all three classes in a one vs. all evaluation) and an improved area under receiver operating characteristic-score. All discussed parametric models were trained from scratch without using pre-trained network weights. Therefore we discuss the choice of hyper-parameters, initialization, and choice of a feasible cost function. For a successful feature extraction, in the region of interest detection stage, the negative dice coefficient proved itself to be a more robust cost function than the also investigated sensitivity-specificity loss.Mammografiscreening är den vanligaste modaliteten för tidig detektion av bröstcancer, men en robust annotering av den avbildade bröstvävnaden innebär en fortgående utmaning, till och med för en erfaren radiolog. Datorstödda diagnossystem kan bistå den mänskliga klassifikationen. Moderna system lutar sig därför ofta på datorbaserade metoder för djupinlärning. Den här avhandlingen undersöker den fullt automatiserade ”on-image” klassifikationen av mammogram i klasserna benign, malignt (cancer) eller normal. I denna kontext undersöker vi två olika design paradigm, en direkt end-to-end modell med en mer komplex dekomposition-hierarki. Medan end-to-end-modellen främst består av en deep-learning-baserad klassificerare består decomposition-pipelinen av flera steg, d.v.s. en detektion av en intresseregion (implementerad som en fullt faltningsoperations- neuralnätverk), följt av ett klassificeringsstadium. Till skillnad från initiala förväntningar visade sig det att end-to-end-klassificeraren erhöll en överlägsen prestanda när det gäller noggrannhet (end-to-end: 76.57 %, dekomposition: 65.66 %, mätvärdena är beräknade som medel av alla tre klasser i en en-mot-alla-utvärdering) och en förbättrad area-under-mottagare-operations karaktäristik. Alla behandlade parametriska modeller tränades initialt utan användning av förtränade nätverksvariabler. Därför diskuteras valet av hyper-parametrar, initiering, och val av rimlig kostnadsfunktion. För en funktionsextraktion, vid detektionsstadium i regionen av intresse, visade sig den negativa dice koefficienten vara en mer robust kostnadsfunktion än den också undersökta sensitivity-specifity loss