Medical image analysis and computing in breast cancer evaluation using mammography data
Isosalo, Antti (2024-12-12)
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
https://urn.fi/URN:NBN:fi:oulu-202410106255
Kuvaus
Tiivistelmä
With more than two million new cases yearly, breast cancer is the most diagnosed cancer globally. Breast cancer diagnostics begin with patient symptoms, incidental findings, or results from screening mammography. Additional imaging can be conducted for a preliminary assessment.
The present work focuses on the application of medical image analysis for automated breast cancer evaluation. First, the level of maturity of a deep learning method developed for breast cancer screening examination classification was assessed using a purpose-built dataset representing the Finnish population. The results showed that the model was only partially able to adapt to the underlying local demographics through fine-tuning, with challenges in learning the benign subgroup.
Second, the advantages of transfer learning in developing methods for cross-population mammography mass segmentation were evaluated to identify the pre-training characteristics that yield the best model initialisation. No notable differences were observed in the segmentation accuracy of encoder-decoder models with different initialisations when the evaluation was conducted using the collected Finnish data. When the trained models were utilised for a dataset with differing demographics, the encoders that were initialised with weights pre-trained on digital mammography data performed the best.
Third, the applicability of deep learning for breast tissue imaging phenotype classification from breast tomosynthesis data was studied. This was addressed by collecting a suitable dataset and implementing a method to classify abnormality candidates from localised samples. Complex relations between sample classes were found. The available data was not fully able to discriminate normal tissue from abnormal variation.
Fourth, the suitability of local edge computing for augmenting medical imaging workflow was assessed. The assessment was conducted by determining the technical requirements for a local edge platform for deep learning-based breast cancer detection through real-life prototyping. The platform demonstrated an ability to infer the model within a clinically acceptable time frame.
In conclusion, a strong pre-trained model is crucial for experimenting with a single centre dataset. Developing reliable methods for automated breast cancer evaluation requires a large dataset that is also rich in various cancer subtypes.
Rintasyöpä on yli kahdella miljoonalla uudella vuosittaisella tapauksella eniten diagnosoitu syöpä maailmassa. Rintasyövän diagnostiikka alkaa potilaan oireista tai satunnaisesta tai mammografiaseulonnassa havaitusta löydöksestä. Alustavan arvion tueksi voidaan suorittaa täydentäviä kuvantamistutkimuksia.
Tässä työssä keskityttiin soveltamaan lääketieteellistä kuva-analyysiä automatisoituun rintasyövän arviointiin. Ensimmäiseksi tutkittiin rintasyövän seulontatutkimusten luokitteluun kehitettyjen syväoppimismenetelmien kypsyysastetta. Tutkimukseen käytettiin tähän tarkoitukseen kerättyä suomalaista aineistoa. Tulokset osoittivat, että malli kykeni hienosäätökoulutuksen kautta mukautumaan vain osittain aineiston taustalla vaikuttaviin demograafisiin erityispiirteisiin. Haasteita oli hyvänlaatuisen alijoukon oppimisessa.
Toiseksi arvioitiin siirto-oppimisella saavutettavia etuja kehitettäessä menetelmiä massojen segmentointiin. Tässä hyödynnettiin eri populaatioista peräisin olevia mammografiakuva-aineistoja. Tavoitteena oli tunnistaa parhaan alustuksen tuottava esikoulutus. Eri alustuksilla varustettujen enkooderi-dekooderimallien segmentointitarkkuudessa ei havaittu merkittäviä eroja, kun käytössä oli suomalainen aineisto. Kun koulutettuja malleja käytettiin aineistolle, jonka demograafiset erityispiirteet olivat erilaiset, parhaiten toimivat enkooderit, jotka oli alustettu digitaalimammografiakuva-aineistolla esiopetetuilla painoilla.
Kolmanneksi tutkittiin syväoppimisen soveltuvuutta rintakudoksen kuvantamisen avulla havaittavissa olevien fenotyyppien luokitteluun. Tätä varten kerättiin sopiva tomosynteesimammografia-aineisto ja testattiin löydösten luokitteluun kehitettyä menetelmää aineistosta rajatuille näytteille. Näyteluokkien välillä havaittiin vallitsevan monimutkaisia suhteita. Saatavilla oleva aineisto ei täysin pystynyt erottelemaan normaalia kudosta epänormaalista vaihtelusta.
Neljänneksi arvioitiin, miten paikallinen reunalaskenta soveltuu lääketieteellisen kuvantamisen työnkulun muokkaamiseen. Tämä toteutettiin määrittämällä tekniset vaatimukset paikalliselle reunalaskenta-alustalle niin, että käytännön sovelluksena hyödynnettiin syväoppimiseen perustuvaa rintasyövän havainnointimenetelmää. Reunalaskenta-alusta suoriutui inferenssistä kliinisesti hyväksyttävässä aikaikkunassa.
Yhteenvetona voidaan todeta, että vahva esikoulutettu malli on ratkaisevan tärkeä yhdestä keskuksesta kerätyllä aineistolla työskenneltäessä. Luotettavien menetelmien kehittäminen automatisoituun rintasyövän arviointiin vaatii laajan aineiston, joka sisältää kattavasti erilaisia syövän alatyyppejä.
Original papers
-
Isosalo, A., Inkinen, S. I., Turunen, T., Ipatti, P. S., Reponen, J., & Nieminen, M. T. (2023). Independent evaluation of a multi-view multi-task convolutional neural network breast cancer classification model using Finnish mammography screening data. Computers in Biology and Medicine, 161, 107023. https://doi.org/10.1016/j.compbiomed.2023.107023 https://doi.org/10.1016/j.compbiomed.2023.107023
-
Isosalo, A., Mustonen, H., Turunen, T., Ipatti, P. S., Reponen, J., Nieminen, M. T., & Inkinen, S. I. (2022). Evaluation of different convolutional neural network encoder-decoder architectures for breast mass segmentation. Proceedings of SPIE, Medical Imaging 2022: Imaging Informatics for Healthcare, Research, and Applications 12037, 120370W. https://doi.org/10.1117/12.2628190 https://doi.org/10.1117/12.2628190
-
Isosalo, A., Inkinen, S. I., Prostredná, L., Heino, H., Ipatti, P. S., Reponen, J., & Nieminen, M. T. (2024). Imaging phenotype evaluation from digital breast tomosynthesis data: A preliminary study. Computers in Biology and Medicine, 183, 109285. https://doi.org/10.1016/j.compbiomed.2024.109285 https://doi.org/10.1016/j.compbiomed.2024.109285
-
Isosalo, A., Islam, J., Mustonen, H., Räinä, E., Inkinen, S. I., Brix, M., Kumar, T., Reponen, J., Nieminen, M. T., & Harjula, E. (2023). Local edge computing for radiological image reconstruction and computer-assisted detection: A feasibility study. Finnish Journal of eHealth and eWelfare, 15(1) 52–66. https://doi.org/10.23996/fjhw.122647 https://doi.org/10.23996/fjhw.122647
-
Isosalo, A., Inkinen, S. I., Heino, H., Turunen, T., & Nieminen, M. T. (2024). MammogramAnnotationTool: Markup tool for breast tissue abnormality annotation. Software Impacts, 19, 100599. https://doi.org/10.1016/j.simpa.2023.100599 https://doi.org/10.1016/j.simpa.2023.100599
Osajulkaisut
-
Isosalo, A., Inkinen, S. I., Turunen, T., Ipatti, P. S., Reponen, J., & Nieminen, M. T. (2023). Independent evaluation of a multi-view multi-task convolutional neural network breast cancer classification model using Finnish mammography screening data. Computers in Biology and Medicine, 161, 107023. https://doi.org/10.1016/j.compbiomed.2023.107023 https://doi.org/10.1016/j.compbiomed.2023.107023
-
Isosalo, A., Mustonen, H., Turunen, T., Ipatti, P. S., Reponen, J., Nieminen, M. T., & Inkinen, S. I. (2022). Evaluation of different convolutional neural network encoder-decoder architectures for breast mass segmentation. Proceedings of SPIE, Medical Imaging 2022: Imaging Informatics for Healthcare, Research, and Applications 12037, 120370W. https://doi.org/10.1117/12.2628190 https://doi.org/10.1117/12.2628190
-
Isosalo, A., Inkinen, S. I., Prostredná, L., Heino, H., Ipatti, P. S., Reponen, J., & Nieminen, M. T. (2024). Imaging phenotype evaluation from digital breast tomosynthesis data: A preliminary study. Computers in Biology and Medicine, 183, 109285. https://doi.org/10.1016/j.compbiomed.2024.109285 https://doi.org/10.1016/j.compbiomed.2024.109285
-
Isosalo, A., Islam, J., Mustonen, H., Räinä, E., Inkinen, S. I., Brix, M., Kumar, T., Reponen, J., Nieminen, M. T., & Harjula, E. (2023). Local edge computing for radiological image reconstruction and computer-assisted detection: A feasibility study. Finnish Journal of eHealth and eWelfare, 15(1) 52–66. https://doi.org/10.23996/fjhw.122647 https://doi.org/10.23996/fjhw.122647
-
Isosalo, A., Inkinen, S. I., Heino, H., Turunen, T., & Nieminen, M. T. (2024). MammogramAnnotationTool: Markup tool for breast tissue abnormality annotation. Software Impacts, 19, 100599. https://doi.org/10.1016/j.simpa.2023.100599 https://doi.org/10.1016/j.simpa.2023.100599
Kokoelmat
- Avoin saatavuus [38824]