Segmentation of cancer masses on breast ultrasound images using modified U-net

• Autorzy: Khallassi Ihssane , El Yousfi Alaoui My Hachem , Jilbab Abdelilah

Identyfikatory

DOI

10.35784/iapgos.5319

Warianty tytułu

PL

Segmentacja mas nowotworowych na obrazach ultrasonografii piersi z użyciem zmodyfikowanego modelu U-net

• Języki publikacji: EN

Abstrakty

EN

Breast cancer causes a huge number of women’s deaths every year. The accurate localization of a breast lesion is a crucial stage. The segmentation of breast ultrasound images participates in the improvement of the process of detection of breast anomalies. An automatic approach of segmentation of breast ultrasound images is presented in this paper, the proposed model is a modified u-net called Attention Residual U-net, designed to help radiologists in their clinical examination to determine adequately the limitation of breast tumors. Attention Residual U-net is a combination of existing models (Convolutional Neural Network U-net, the Attention Gate Mechanism and the Residual Neural Network). Public breast ultrasound images dataset of Baheya hospital in Egypt is used in this work. Dice coefficient, Jaccard index and Accuracy are used to evaluate the performance of the proposed model on the test set. Attention residual u-net can significantly give a dice coefficient = 90%, Jaccard index = 76% and Accuracy = 90%. The proposed model is compared with two other breast segmentation methods on the same dataset. The results show that the modified U-net model was able to achieve accurate segmentation of breast lesions in breast ultrasound images.

PL

Każdego roku rak piersi powoduje ogromną liczbę zgonów kobiet. Dokładna lokalizacja zmiany piersi jest kluczowym etapem. Segmentacja obrazów ultrasonograficznych piersi przyczynia się do poprawy procesu wykrywania nieprawidłowości piersi. W tym artykule przedstawiono automatyczne podejście do segmentacji obrazów ultrasonograficznych piersi, proponowany model to zmodyfikowany U-net, nazwany Attention Residual U-net, zaprojektowany w celu wspomagania radiologów podczas badania klinicznego, w celu odpowiedniego określenia zasięgu guzów piersiowych. Attention Residual U-net jest połączeniem istniejących modeli (konwolucyjną siecią neuronową U-net, Attention Gate Mechanism i Residual Neural Network). W tym badaniu wykorzystano publiczny zbiór danych obrazów ultrasonograficznych piersi szpitala Baheya w Egipcie. Do oceny wydajności zaproponowanego modelu na zbiorze testowym wykorzystano współczynnik Dice'a, indeks Jaccarda i dokładność. Attention Residual U-net może znacznie przyczynić się do uzyskania współczynnika Dice'a równego 90%, indeksu Jaccarda równego 76% i dokładności równiej 90%. Proponowany model został porównany z dwoma innymi metodami segmentacji piersi na tym samym zbiorze danych. Wyniki pokazują, że zmodyfikowany model U-net był w stanie osiągnąć dokładną segmentację zmian piersiowych na obrazach ultrasonograficznych piersi.

Słowa kluczowe

EN

convolutional neural network; segmentation; u-net; residual neural network

PL

konwolucyjna sieć neuronowa; segmentacja; u-net; rezydualna sieć neuronowa

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 3
• Strony: 11--15
• Opis fizyczny: Bibliogr. 16 poz., fot., wykr.

Twórcy

autor

Khallassi Ihssane

• Mohammed V University in Rabat, Electronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Rabat, Morocco

• https://orcid.org/0009-0006-7965-0269

autor

El Yousfi Alaoui My Hachem

• Mohammed V University in Rabat, Electronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Rabat, Morocco

• https://orcid.org/0000-0003-4285-0540

autor

Jilbab Abdelilah

• Mohammed V University in Rabat, Electronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Rabat, Morocco

• https://orcid.org/0000-0002-1577-9040

Bibliografia

• [1] AI-Dhabyani W. et al.: Dataset of breast ultrasound images. Data in Brief 28, 2020, 104863.
• [2] Balagalla B et al.: A Review On Ultrasound Image Pre-Processing, Segmentation And Compression For Enhanced Image Storage And Transmission. 11-th International Research Conference General, Sir John Kotelawala Defence University, 2018, 106–111.
• [3] Chollet F.: Kears. https://github.com/fchollet/keras, 2015.
• [4] Dice L. R.: Measures of the Amount of Ecologic Association Between Species. Ecology 26(3), 1945, 297–302.
• [5] El Fouhi M. M. et al.: Profil épidémiologique et anatomopathologique du cancer de sein au CHU Ibn Rochd, Casablanca. Pan Afr Med J. 37, 2020, 41.
• [6] Epimack M. et al.: Breast Cancer Segmentation Methods: Current Status and Future Potentials. BioMed Research International 2021, 9962109.
• [7] Fondation lalla salma, détection précoce 2022.
• [8] He K. et al.: Deep Residual Learning for Image Recognition. 2016, arXiv:1512.03385.
• [9] Jaccard P.: The Distribution of the Flora in the Alpine Zone. The New Phytologist 11(2), 1912, 37–50.
• [10] Kingma D. P., Ba J. L.: Adam: A Method For Stochastic Optimization. 3rd International Conference for Learning Representations, San Diego, 2015, arXiv:1412.6980.
• [11] Mart´ın A. et al.: TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. 2016, arXiv:1603.04467.
• [12] Milletari F. et al.: V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016, arXiv:1606.04797.
• [13] Nations Unies, ONU Info: Le cancer du sein est désormais le plus fréquent au monde, 2021 [https://news.un.org/fr/story/2021/02/1088502].
• [14] Oktay O. et al.: Attention U-Net: Learning Where to Look for the Pancreas, 2018, arXiv:1804.03999.
• [15] Prasad S. N., Houserkova D.: A Comparison Of Mammography And Ultrasonography In The Evaluation Of Breast Masses. Biomed Pap Med Fac Univ Palacky Olomouc Czech Repub. 151(2), 2007, 315–322 [http://doi.org/10.5507/bp.2007.054].
• [16] Ronneberger O. et al.: U-Net: Convolutional Networks for Biomedical Image Segmentation, 2015, arXiv:1505.04597.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).