Abstract

The diagnosis of breast cancer in early stage is essential for successful treatment. Detection can be performed in several ways, the most common being through mammograms. The projections acquired by this type of examination are directly affected by the composition of the breast, which density can be similar to the suspicious masses, being a challenge the identification of malignant lesions. In this article, we propose a computer-aided detection (CAD) system to aid in the diagnosis of masses in digitized mammograms using a model based in the U-Net, allowing specialists to monitor the lesion over time. Unlike most of the studies, we propose the use of an entire base of digitized mammograms using normal, benign, and malignant cases. Our research is divided into four stages: (1) pre-processing, with the removal of irrelevant information, enhancement of the contrast of 7989 images of the Digital Database for Screening Mammography (DDSM), and obtaining regions of interest. (2) Data augmentation, with horizontal mirroring, zooming, and resizing of images; (3) training, with tests of six-based U-Net models, with different characteristics; (4) testing, evaluating four metrics, accuracy, sensitivity, specificity, and Dice Index. The tested models obtained different results regarding the assessed parameters. The best model achieved a sensitivity of 92.32%, specificity of 80.47%, accuracy of 85.95% Dice Index of 79.39%, and AUC of 86.40%. Even using a full base without case selection bias, the results obtained demonstrate that the use of a complete database can provide knowledge to the CAD expert.

中文翻译：

---

使用数据增强和深度学习对乳房 X 光照片上的肿块进行分割

摘要

早期诊断乳腺癌对于成功治疗至关重要。可以通过多种方式进行检测，最常见的是通过乳房 X 光检查。此类检查获得的投影直接受乳腺成分的影响，其密度可能与可疑肿块相似，对恶性病变的识别提出了挑战。在本文中，我们提出了一种计算机辅助检测 (CAD) 系统，以帮助使用基于 U-Net 的模型对数字化乳房 X 光照片中的肿块进行诊断，从而允许专家随时间监测病变。与大多数研究不同，我们建议使用正常、良性和恶性病例的整个数字化乳房 X 光照片。我们的研究分为四个阶段：（1）预处理，去除无关信息，增强乳腺 X 线筛查数字数据库 (DDSM) 的 7989 幅图像的对比度，并获得感兴趣的区域。(2) 数据增强，具有图像的水平镜像、缩放和调整大小；(3) 训练，对基于六种不同特性的 U-Net 模型进行测试；(4) 测试、评估四个指标，准确度、灵敏度、特异性和骰子指数。测试模型在评估参数方面获得了不同的结果。最佳模型的灵敏度为 92.32%，特异性为 80.47%，准确度为 85.95%，骰子指数为 79.39%，AUC 为 86.40%。即使使用没有案例选择偏差的完整数据库，获得的结果也表明使用完整数据库可以为 CAD 专家提供知识。并获得感兴趣的区域。(2) 数据增强，具有图像的水平镜像、缩放和调整大小；(3) 训练，对基于六种不同特性的 U-Net 模型进行测试；(4) 测试、评估四个指标，准确度、灵敏度、特异性和骰子指数。测试模型在评估参数方面获得了不同的结果。最佳模型的灵敏度为 92.32%，特异性为 80.47%，准确度为 85.95%，骰子指数为 79.39%，AUC 为 86.40%。即使使用没有案例选择偏差的完整数据库，获得的结果也表明使用完整数据库可以为 CAD 专家提供知识。并获得感兴趣的区域。(2) 数据增强，具有图像的水平镜像、缩放和调整大小；(3) 训练，对基于六种不同特性的 U-Net 模型进行测试；(4) 测试、评估四个指标，准确度、灵敏度、特异性和骰子指数。测试模型在评估参数方面获得了不同的结果。最佳模型的灵敏度为 92.32%，特异性为 80.47%，准确度为 85.95%，骰子指数为 79.39%，AUC 为 86.40%。即使使用没有案例选择偏差的完整数据库，获得的结果也表明使用完整数据库可以为 CAD 专家提供知识。具有不同的特点；(4) 测试、评估四个指标，准确度、灵敏度、特异性和骰子指数。测试模型在评估参数方面获得了不同的结果。最佳模型的灵敏度为 92.32%，特异性为 80.47%，准确度为 85.95%，骰子指数为 79.39%，AUC 为 86.40%。即使使用没有案例选择偏差的完整数据库，获得的结果也表明使用完整数据库可以为 CAD 专家提供知识。具有不同的特点；(4) 测试、评估四个指标，准确度、灵敏度、特异性和骰子指数。测试模型在评估参数方面获得了不同的结果。最佳模型的灵敏度为 92.32%，特异性为 80.47%，准确度为 85.95%，骰子指数为 79.39%，AUC 为 86.40%。即使使用没有案例选择偏差的完整数据库，获得的结果也表明使用完整数据库可以为 CAD 专家提供知识。