???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tede.ufam.edu.br/handle/tede/7145
Tipo do documento: Dissertação
Título: Breast tumor classification in ultrasound images using deep convolutional neural network
Autor: Zeimarani, Bashir 
Primeiro orientador: Costa Filho, Cicero Ferreira Fernandes
Primeiro coorientador: Costa, Marly Guimarães Fernandes
Primeiro membro da banca: Chaves Filho, João Edgar
Segundo membro da banca: Pereira, Wagner Coelho de Albuquerque
Resumo: 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.
Abstract: 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.
Palavras-chave: 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
Área(s) do CNPq: ENGENHARIAS: ENGENHARIA ELÉTRICA
Idioma: eng
País: Brasil
Instituição: Universidade Federal do Amazonas
Sigla da instituição: UFAM
Departamento: Faculdade de Tecnologia
Programa: Programa de Pós-graduação em Engenharia Elétrica
Citação: 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.
Tipo de acesso: Acesso Aberto
Endereço da licença: http://creativecommons.org/licenses/by/4.0/
URI: https://tede.ufam.edu.br/handle/tede/7145
Data de defesa: 2-Apr-2019
Appears in Collections:Mestrado em Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
Dissertação_BashirZeimarani_PPGEE.pdf3,51 MBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.