SEGMENTACJA MAS NOWOTWOROWYCH NA OBRAZACH ULTRASONOGRAFII PIERSI Z UŻYCIEM ZMODYFIKOWANEGO MODELU U-NET
Ihssane Khallassi
ihssanekhallassi639@gmail.comElectronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Mohammed V University in Rabat, Morocco (Maroko)
https://orcid.org/0009-0006-7965-0269
My Hachem El Yousfi Alaoui
Electronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Mohammed V University in Rabat, Morocco (Maroko)
https://orcid.org/0000-0003-4285-0540
Abdelilah Jilbab
Electronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Mohammed V University in Rabat, Morocco (Maroko)
https://orcid.org/0000-0002-1577-9040
Abstrakt
Każdego roku rak piersi powoduje ogromną liczbę zgonów kobiet. Dokładna lokalizacja zmiany piersi jest kluczowym etapem. Segmentacja obrazów ultrasonograficznych piersi przyczynia się do poprawy procesu wykrywania nieprawidłowości piersi. W tym artykule przedstawiono automatyczne podejście do segmentacji obrazów ultrasonograficznych piersi, proponowany model to zmodyfikowany U-net, nazwany Attention Residual U-net, zaprojektowany w celu wspomagania radiologów podczas badania klinicznego, w celu odpowiedniego określenia zasięgu guzów piersiowych. Attention Residual U-net jest połączeniem istniejących modeli (konwolucyjną siecią neuronową U-net, Attention Gate Mechanism i Residual Neural Network). W tym badaniu wykorzystano publiczny zbiór danych obrazów ultrasonograficznych piersi szpitala Baheya w Egipcie. Do oceny wydajności zaproponowanego modelu na zbiorze testowym wykorzystano współczynnik Dice'a, indeks Jaccarda i dokładność. Attention Residual U-net może znacznie przyczynić się do uzyskania współczynnika Dice'a równego 90%, indeksu Jaccarda równego 76% i dokładności równiej 90%. Proponowany model został porównany z dwoma innymi metodami segmentacji piersi na tym samym zbiorze danych. Wyniki pokazują, że zmodyfikowany model U-net był w stanie osiągnąć dokładną segmentację zmian piersiowych na obrazach ultrasonograficznych piersi.
Słowa kluczowe:
konwolucyjna sieć neuronowa, segmentacja, u-net, rezydualna sieć neuronowaBibliografia
AI-Dhabyani W. et al.: Dataset of breast ultrasound images. Data in Brief 28, 2020, 104863.
DOI: https://doi.org/10.1016/j.dib.2019.104863
Google Scholar
Balagalla B et al.: A Review On Ultrasound Image Pre-Processing, Segmentation And Compression For Enhanced Image Storage And Transmission. 11-th International Research Conference General, Sir John Kotelawala Defence University, 2018, 106–111.
Google Scholar
Chollet F.: Kears. https://github.com/fchollet/keras, 2015.
Google Scholar
Dice L. R.: Measures of the Amount of Ecologic Association Between Species. Ecology 26(3), 1945, 297–302.
DOI: https://doi.org/10.2307/1932409
Google Scholar
El Fouhi M. M. et al.: Profil épidémiologique et anatomopathologique du cancer de sein au CHU Ibn Rochd, Casablanca. Pan Afr Med J. 37, 2020, 41.
DOI: https://doi.org/10.11604/pamj.2020.37.41.21336
Google Scholar
Epimack M. et al.: Breast Cancer Segmentation Methods: Current Status and Future Potentials. BioMed Research International 2021, 9962109.
DOI: https://doi.org/10.1155/2021/9962109
Google Scholar
Fondation lalla salma, détection précoce 2022.
Google Scholar
He K. et al.: Deep Residual Learning for Image Recognition. 2016, arXiv:1512.03385.
DOI: https://doi.org/10.1109/CVPR.2016.90
Google Scholar
Jaccard P.: The Distribution of the Flora in the Alpine Zone. The New Phytologist 11(2), 1912, 37–50.
DOI: https://doi.org/10.1111/j.1469-8137.1912.tb05611.x
Google Scholar
Kingma D. P., Ba J. L.: Adam: A Method For Stochastic Optimization. 3rd International Conference for Learning Representations, San Diego, 2015, arXiv:1412.6980.
Google Scholar
Mart´ın A. et al.: TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. 2016, arXiv:1603.04467.
Google Scholar
Milletari F. et al.: V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016, arXiv:1606.04797.
DOI: https://doi.org/10.1109/3DV.2016.79
Google Scholar
Nations Unies, ONU Info: Le cancer du sein est désormais le plus fréquent au monde, 2021 [https://news.un.org/fr/story/2021/02/1088502].
Google Scholar
Oktay O. et al.: Attention U-Net: Learning Where to Look for the Pancreas, 2018, arXiv:1804.03999.
Google Scholar
Prasad S. N., Houserkova D.: A Comparison Of Mammography And Ultrasonography In The Evaluation Of Breast Masses. Biomed Pap Med Fac Univ Palacky Olomouc Czech Repub. 151(2), 2007, 315–322 [http://doi.org/10.5507/bp.2007.054].
DOI: https://doi.org/10.5507/bp.2007.054
Google Scholar
Ronneberger O. et al.: U-Net: Convolutional Networks for Biomedical Image Segmentation, 2015, arXiv:1505.04597.
DOI: https://doi.org/10.1007/978-3-319-24574-4_28
Google Scholar
Autorzy
Ihssane Khallassiihssanekhallassi639@gmail.com
Electronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Mohammed V University in Rabat, Morocco Maroko
https://orcid.org/0009-0006-7965-0269
Autorzy
My Hachem El Yousfi AlaouiElectronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Mohammed V University in Rabat, Morocco Maroko
https://orcid.org/0000-0003-4285-0540
Autorzy
Abdelilah JilbabElectronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Mohammed V University in Rabat, Morocco Maroko
https://orcid.org/0000-0002-1577-9040
Statystyki
Abstract views: 140PDF downloads: 139
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Inne teksty tego samego autora
- Mohamed Bal-Ghaoui, My Hachem El Yousfi Alaoui, Abdelilah Jilbab, Abdennaser Bourouhou, OPTYMALIZACJA KLASYFIKACJI OBRAZÓW ULTRASONOGRAFICZNYCH TECHNIKĄ TRANSFER LEARNING: STRATEGIE DOSTRAJANIA I WPŁYW KLASYFIKATORA NA WSTĘPNIE WYTRENOWANE WARSTWY WEWNĘTRZNE , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 4 (2023)
