Επεξεργασία και ανάλυση τρισδιάστατων ιατρικών εικόνων στον καρκίνο του μαστού, από Μαγνητικό Τομογράφο, χρησιμοποιώντας τεχνικές εξαγωγής και επιλογής χαρακτηριστικών

Abstract

Ο καρκίνος του μαστού είναι ο συχνότερα διαγνωσμένος καρκίνος στις γυναίκες και παραμένει η κύρια αιτία θνησιμότητας παγκοσμίως. Παρά τις εξελίξεις στις διαγνωστικές μεθόδους, οι τρέχουσες απεικονιστικές μέθοδοι, όπως η μαστογραφία, ο υπέρηχος και η μαγνητική τομογραφία, εξακολουθούν να αντιμετωπίζουν προκλήσεις όσον αφορά την ευαισθησία, την ειδικότητα και την ακρίβεια πρόβλεψης. Η ραδιομική, ένας αναδυόμενος τομέας στην ιατρική απεικόνιση, εξάγει ποσοτικά χαρακτηριστικά από τις ακτινογραφικές εικόνες, επιτρέποντας τη βαθύτερη κατανόηση των χαρακτηριστικών του όγκου. Η ενσωμάτωση των τεχνικών βαθιάς μάθησης και μηχανικής μάθησης στην ακτινονομική έχει τη δυνατότητα να φέρει επανάσταση στη διάγνωση του καρκίνου, επιτρέποντας ακριβέστερες, αυτοματοποιημένες και αναπαραγώγιμες εκτιμήσεις. Η παρούσα εργασία διερευνά την εφαρμογή των συνελικτικών νευρωνικών δικτύων (CNN) στην ανάλυση της μαγνητικής τομογραφίας του μαστού, αξιολογώντας την απόδοση πέντε σύγχρονων μοντέλων: EfficientNet-B0, DenseNet121, InceptionV3, ResNet18 και VGG16. Η μελέτη χρησιμοποιεί έναν δομημένο αγωγό βαθιάς μάθησης που περιλαμβάνει την προεπεξεργασία εικόνας, την εξαγωγή χαρακτηριστικών, την εκπαίδευση μοντέλων και την αξιολόγηση επιδόσεων με τη χρήση των μετρικών απώλειας cross-entropy loss και Dice loss. Τα αποτελέσματα καταδεικνύουν ότι το VGG16 πέτυχε την υψηλότερη ακρίβεια (100%), ακολουθούμενο από το ResNet18 (97,88%) και το InceptionV3 (97,12%). Οι EfficientNet-B0 και DenseNet121 είχαν σχετικά καλές επιδόσεις, αλλά παρουσίασαν υψηλότερα ποσοστά εσφαλμένης ταξινόμησης. Τα ευρήματα αυτά αναδεικνύουν την αποτελεσματικότητα της διαγνωστικής με τεχνητή νοημοσύνη στην απεικόνιση του καρκίνου του μαστού, με συνέπειες για τη βελτίωση της έγκαιρης ανίχνευσης, τη μείωση της ανάγκης για επεμβατικές βιοψίες και τη βελτιστοποίηση εξατομικευμένων σχεδίων θεραπείας. Οι μελλοντικές εργασίες θα πρέπει να επικεντρωθούν στην ενσωμάτωση πολυτροπικής απεικόνισης, στη βελτιωμένη ερμηνευσιμότητα του μοντέλου και στην επικύρωση μεγάλης κλίμακας για να διασφαλιστεί η κλινική εφαρμοσιμότητα στον πραγματικό κόσμο.