Clasificación multi-instancia de imágenes de ultrasonido de tumores de mama utilizando redes neuronales convolucionales y transfer learning
Autores: Ciobotaru, Alexandru; Bota, Maria Aurora; Goa, Dan Ioan; Miclea, Liviu Cristian
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Clasificación multi-instancia de imágenes de ultrasonido de tumores de mama utilizando redes neuronales convolucionales y transfer learning
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Cáncer de mama
Imagen ultrasónica
Modelos de aprendizaje profundo
Aprendizaje de transferencia
Conjunto de datos
Evaluación de rendimiento.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 58
Citaciones: Sin citaciones
Antecedentes: El cáncer de mama es, posiblemente, una de las principales causas de muerte entre las mujeres en todo el mundo. La automatización del proceso de detección temprana y clasificación de masas mamarias ha sido un enfoque prominente para los investigadores en la última década. La utilización de la imagen por ultrasonido es prevalente en la evaluación diagnóstica del cáncer de mama, siendo su precisión predictiva dependiente de la pericia del especialista. Por lo tanto, hay una necesidad urgente de crear algoritmos de detección de imágenes por ultrasonido rápidos y confiables para abordar este problema. Métodos: Este artículo tiene como objetivo comparar la eficiencia de seis modelos de aprendizaje profundo de última generación, ajustados finamente, que pueden clasificar tejido mamario de imágenes por ultrasonido en tres clases: benigno, maligno y normal, utilizando aprendizaje por transferencia. Además, se introduce la arquitectura de un modelo personalizado y se entrena desde cero en un conjunto de datos público que contiene 780 imágenes, las cuales fueron aumentadas a 3900 y 7800 imágenes, respectivamente. Además, el modelo personalizado se valida aún más en otro conjunto de datos privado que contiene 163 imágenes por ultrasonido divididas en dos clases: benigno y maligno. Las arquitecturas pre-entrenadas utilizadas en este trabajo son ResNet-50, Inception-V3, Inception-ResNet-V2, MobileNet-V2, VGG-16 y DenseNet-121. Las métricas de evaluación del rendimiento utilizadas en este estudio son las siguientes: Precisión, Sensibilidad, Puntuación F1 y Especificidad. Resultados: Los resultados experimentales muestran que los modelos entrenados en el conjunto de datos aumentado con 7800 imágenes obtuvieron el mejor rendimiento en el conjunto de pruebas, con una precisión del 94.95 +/- 0.64%, 97.69 +/- 0.52%, 97.69 +/- 0.13%, 97.77 +/- 0.29%, 95.07 +/- 0.41%, 98.11 +/- 0.10% y 96.75 +/- 0.26% para ResNet-50, MobileNet-V2, InceptionResNet-V2, VGG-16, Inception-V3, DenseNet-121 y nuestro modelo, respectivamente. Conclusión: Nuestro modelo propuesto obtiene resultados competitivos, superando a algunos modelos de última generación en términos de precisión y tiempo de entrenamiento.
Descripción
Antecedentes: El cáncer de mama es, posiblemente, una de las principales causas de muerte entre las mujeres en todo el mundo. La automatización del proceso de detección temprana y clasificación de masas mamarias ha sido un enfoque prominente para los investigadores en la última década. La utilización de la imagen por ultrasonido es prevalente en la evaluación diagnóstica del cáncer de mama, siendo su precisión predictiva dependiente de la pericia del especialista. Por lo tanto, hay una necesidad urgente de crear algoritmos de detección de imágenes por ultrasonido rápidos y confiables para abordar este problema. Métodos: Este artículo tiene como objetivo comparar la eficiencia de seis modelos de aprendizaje profundo de última generación, ajustados finamente, que pueden clasificar tejido mamario de imágenes por ultrasonido en tres clases: benigno, maligno y normal, utilizando aprendizaje por transferencia. Además, se introduce la arquitectura de un modelo personalizado y se entrena desde cero en un conjunto de datos público que contiene 780 imágenes, las cuales fueron aumentadas a 3900 y 7800 imágenes, respectivamente. Además, el modelo personalizado se valida aún más en otro conjunto de datos privado que contiene 163 imágenes por ultrasonido divididas en dos clases: benigno y maligno. Las arquitecturas pre-entrenadas utilizadas en este trabajo son ResNet-50, Inception-V3, Inception-ResNet-V2, MobileNet-V2, VGG-16 y DenseNet-121. Las métricas de evaluación del rendimiento utilizadas en este estudio son las siguientes: Precisión, Sensibilidad, Puntuación F1 y Especificidad. Resultados: Los resultados experimentales muestran que los modelos entrenados en el conjunto de datos aumentado con 7800 imágenes obtuvieron el mejor rendimiento en el conjunto de pruebas, con una precisión del 94.95 +/- 0.64%, 97.69 +/- 0.52%, 97.69 +/- 0.13%, 97.77 +/- 0.29%, 95.07 +/- 0.41%, 98.11 +/- 0.10% y 96.75 +/- 0.26% para ResNet-50, MobileNet-V2, InceptionResNet-V2, VGG-16, Inception-V3, DenseNet-121 y nuestro modelo, respectivamente. Conclusión: Nuestro modelo propuesto obtiene resultados competitivos, superando a algunos modelos de última generación en términos de precisión y tiempo de entrenamiento.