Breast tumor classification in ultrasound images using deep convolutional neural network
Recentemente, Deep Learning mostrou muito sucesso em varias aplicações de visão computacional. A capacidade de aprender automaticamente as características das imagens e usar estas características para localização, classificação e segmentação dos objetos abriu o caminho para novos estudos na área...
| Autor principal: | Zeimarani, Bashir |
|---|---|
| Outros Autores: | http://lattes.cnpq.br/5401871256861703 |
| Grau: | Dissertação |
| Idioma: | eng |
| Publicado em: |
Universidade Federal do Amazonas
2019
|
| Assuntos: | |
| Acesso em linha: |
https://tede.ufam.edu.br/handle/tede/7145 |
| id |
oai:https:--tede.ufam.edu.br-handle-:tede-7145 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-71452019-08-21T19:47:37Z Breast tumor classification in ultrasound images using deep convolutional neural network Zeimarani, Bashir Costa Filho, Cícero Ferreira Fernandes http://lattes.cnpq.br/5401871256861703 http://lattes.cnpq.br/3029011770761387 Chaves Filho, João Edgar http://lattes.cnpq.br/2956430211742934 Pereira, Wagner Coelho de Albuquerque http://lattes.cnpq.br/3554447149096438 Breast tumor Ultrasound images Computer-aided detection Convolutional neural network Nódulos de mama Sistemas de detecção automática assistida por computador Imagens de ultrasom Redes neurais convolucionais ENGENHARIAS: ENGENHARIA ELÉTRICA Recentemente, Deep Learning mostrou muito sucesso em varias aplicações de visão computacional. A capacidade de aprender automaticamente as características das imagens e usar estas características para localização, classificação e segmentação dos objetos abriu o caminho para novos estudos na área de imagens médicas, melhorando o desempenho de sistemas de detecção automática assistida por computador (CADE). Neste trabalho uma nova abordagem baseada em redes neurais convolucionais (CNN) é proposta para a classificação das imagens de nódulos de mama em ultrassom (US). O banco de dados é composto de 641 imagens, histopatologicamente classificadas em duas categorias (413 lesões benignas e 228 malignas). Para ter uma melhor estimativa do desempenho da classificação do modelo, os dados foram divididos em 5 pastas para executar a validação cruzada, que em cada pasta 80% dos dados foram usados para treinamento, e 20% para testes. Diferentes parâmetros de avaliação foram usados como medidas de desempenho. Com a arquitetura da rede proposta conseguiu-se uma precisão de 85,98% para a classificação dos nódulos e uma área sob a curva ROC (AUC) igual a 0,94. Após aplicação das técnicas de augmentação de imagens e regularização, a precisão e a AUC aumentaram para 92,05% e 0,97, respectivamente. Os resultados obtidos superaram outros métodos de aprendizagem de máquina baseado na seleção manual das características, o que demonstra a eficácia do método proposto para a classificação de nódulos em imagens de ultrassom. Recently, deep learning has shown great success in many computer vision applications. The ability to learn image features and use these features for object localization, classification and segmentation has paved the way for new medical image studies, improving the performance of automated computer-aided detection (CADe) systems. In this paper, a new approach is proposed for the classification of breast tumors in ultrasound (US) images, based on convolutional neural networks (CNN). The database consists of 641 images, histopathologically classified in two categories (413 benign and 228 malignant lesions). To have a better estimate of the model’s classification performance, the data were split to perform 5-fold cross-validation. For each fold, 80% of data was used for training, and 20% for the evaluation. Different evaluation metrics were used as performance measurements. With the proposed network architecture, we achieved an overall accuracy of 85.98% for tumor classification and the area under the ROC curve (AUC) equal to 0.94. After applying image augmentation and regularization, the accuracy and the AUC increased to 92.05% and 0.97, respectively. The obtained results surpassed other machine learning methods based on manual feature selection, demonstrating the effectiveness of the proposed method for the classification of tumors in US imaging. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior 2019-05-14T14:41:57Z 2019-04-02 Dissertação ZEIMARANI, Bashir. Breast tumor classification in ultrasound images using deep convolutional neural network. 2019. 73 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2019. https://tede.ufam.edu.br/handle/tede/7145 eng Acesso Aberto http://creativecommons.org/licenses/by/4.0/ application/pdf Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
| institution |
TEDE - Universidade Federal do Amazonas |
| collection |
TEDE-UFAM |
| language |
eng |
| topic |
Breast tumor Ultrasound images Computer-aided detection Convolutional neural network Nódulos de mama Sistemas de detecção automática assistida por computador Imagens de ultrasom Redes neurais convolucionais ENGENHARIAS: ENGENHARIA ELÉTRICA |
| spellingShingle |
Breast tumor Ultrasound images Computer-aided detection Convolutional neural network Nódulos de mama Sistemas de detecção automática assistida por computador Imagens de ultrasom Redes neurais convolucionais ENGENHARIAS: ENGENHARIA ELÉTRICA Zeimarani, Bashir Breast tumor classification in ultrasound images using deep convolutional neural network |
| topic_facet |
Breast tumor Ultrasound images Computer-aided detection Convolutional neural network Nódulos de mama Sistemas de detecção automática assistida por computador Imagens de ultrasom Redes neurais convolucionais ENGENHARIAS: ENGENHARIA ELÉTRICA |
| description |
Recentemente, Deep Learning mostrou muito sucesso em varias aplicações de
visão computacional. A capacidade de aprender automaticamente as características das
imagens e usar estas características para localização, classificação e segmentação dos
objetos abriu o caminho para novos estudos na área de imagens médicas, melhorando o
desempenho de sistemas de detecção automática assistida por computador (CADE).
Neste trabalho uma nova abordagem baseada em redes neurais convolucionais (CNN) é
proposta para a classificação das imagens de nódulos de mama em ultrassom (US). O
banco de dados é composto de 641 imagens, histopatologicamente classificadas em duas
categorias (413 lesões benignas e 228 malignas). Para ter uma melhor estimativa do
desempenho da classificação do modelo, os dados foram divididos em 5 pastas para
executar a validação cruzada, que em cada pasta 80% dos dados foram usados para
treinamento, e 20% para testes. Diferentes parâmetros de avaliação foram usados como
medidas de desempenho. Com a arquitetura da rede proposta conseguiu-se uma precisão
de 85,98% para a classificação dos nódulos e uma área sob a curva ROC (AUC) igual a
0,94. Após aplicação das técnicas de augmentação de imagens e regularização, a precisão
e a AUC aumentaram para 92,05% e 0,97, respectivamente. Os resultados obtidos
superaram outros métodos de aprendizagem de máquina baseado na seleção manual das
características, o que demonstra a eficácia do método proposto para a classificação de
nódulos em imagens de ultrassom. |
| author_additional |
Costa Filho, Cícero Ferreira Fernandes |
| author_additionalStr |
Costa Filho, Cícero Ferreira Fernandes |
| format |
Dissertação |
| author |
Zeimarani, Bashir |
| author2 |
http://lattes.cnpq.br/5401871256861703 |
| author2Str |
http://lattes.cnpq.br/5401871256861703 |
| title |
Breast tumor classification in ultrasound images using deep convolutional neural network |
| title_short |
Breast tumor classification in ultrasound images using deep convolutional neural network |
| title_full |
Breast tumor classification in ultrasound images using deep convolutional neural network |
| title_fullStr |
Breast tumor classification in ultrasound images using deep convolutional neural network |
| title_full_unstemmed |
Breast tumor classification in ultrasound images using deep convolutional neural network |
| title_sort |
breast tumor classification in ultrasound images using deep convolutional neural network |
| publisher |
Universidade Federal do Amazonas |
| publishDate |
2019 |
| url |
https://tede.ufam.edu.br/handle/tede/7145 |
| _version_ |
1831969754439483392 |
| score |
11.753896 |