A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language

El cáncer de mama es el tipo de cáncer más común y la principal causa de mortalidad en la población femenina. Sin embargo, su detección temprana puede incrementar la tasa de supervivencia relativa a cinco años del 29% al 99%. La ecografía es una de las técnicas más utilizadas para el diagnóstico de...

Descripción completa

Detalles Bibliográficos
Autor: Carrilero Mardones, Mikel
Tipo de recurso: tesis de maestría
Fecha de publicación:2022
País:España
Institución:Universidad Nacional de Educación a Distancia
Repositorio:e-spacio. Repositorio Institucional de la UNED
Idioma:inglés
OAI Identifier:oai:e-spacio.uned.es:20.500.14468/14666
Acceso en línea:https://hdl.handle.net/20.500.14468/14666
Access Level:acceso abierto
Palabra clave:1203.04 Inteligencia artificial
cáncer de mama
BI-RADS
ecografía
diagnósticos asistidos por ordenador
mecanismo de atención
inteligencia artificial explicable
aprendizaje profundo
descripción de imágenes médicas
breast cancer
deep learning
medical image captioning
ultrasound image
computer aided diagnosis
attention mechanism
explainable artificial intelligence
id ES_dc7cd8a816d8fd67833fe4c7d4aebadc
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/14666
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
title A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
spellingShingle A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
Carrilero Mardones, Mikel
1203.04 Inteligencia artificial
cáncer de mama
BI-RADS
ecografía
diagnósticos asistidos por ordenador
mecanismo de atención
inteligencia artificial explicable
aprendizaje profundo
descripción de imágenes médicas
breast cancer
deep learning
medical image captioning
ultrasound image
computer aided diagnosis
attention mechanism
explainable artificial intelligence
title_short A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
title_full A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
title_fullStr A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
title_full_unstemmed A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
title_sort A Deep Neural Network For Describing Breast Ultrasound Images in Natural Language
dc.creator.none.fl_str_mv Carrilero Mardones, Mikel
author Carrilero Mardones, Mikel
author_facet Carrilero Mardones, Mikel
author_role author
dc.contributor.none.fl_str_mv Nogales Moyano, Alberto
Díez Vegas, Francisco Javier
Pérez Martín, Jorge
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.04 Inteligencia artificial
cáncer de mama
BI-RADS
ecografía
diagnósticos asistidos por ordenador
mecanismo de atención
inteligencia artificial explicable
aprendizaje profundo
descripción de imágenes médicas
breast cancer
deep learning
medical image captioning
ultrasound image
computer aided diagnosis
attention mechanism
explainable artificial intelligence
topic 1203.04 Inteligencia artificial
cáncer de mama
BI-RADS
ecografía
diagnósticos asistidos por ordenador
mecanismo de atención
inteligencia artificial explicable
aprendizaje profundo
descripción de imágenes médicas
breast cancer
deep learning
medical image captioning
ultrasound image
computer aided diagnosis
attention mechanism
explainable artificial intelligence
description El cáncer de mama es el tipo de cáncer más común y la principal causa de mortalidad en la población femenina. Sin embargo, su detección temprana puede incrementar la tasa de supervivencia relativa a cinco años del 29% al 99%. La ecografía es una de las técnicas más utilizadas para el diagnóstico de cáncer de mama, pero es necesario un experto para interpretar sus resultados de forma correcta. Esto no es común en algunos países que no cuentan con un programa de cribado apropiado, suponiendo una bajada de la tasa al 20%. Los diagnósticos asistidos por ordenador (CAD) tratan de ayudar a los médicos en este proceso, mejorando los resultados y ahorrando tiempo. Los expertos en cáncer de mama emplean la clasificación BI-RADS para describir tumores, estimar su malignidad y establecer el tratamiento a seguir. Mientras la mayoría de sistemas CAD se limitan a clasificar imágenes según su malignidad, presentamos un modelo basado en dos sistemas para la detección y descripción en lenguaje BI-RADS de tumores en tiempo real. El primer sistema es un algoritmo de detección basado en YOLO que obtiene una precisión de 0.965, una exhaustividad de 0.95 y un área bajo la curva de precisión-exhaustividad de 0.97. El segundo es un sistema de descripción que recibe el tumor detectado y devuelve, en lenguaje natural, su descripción en BI-RADS y una estimación de su malignidad. Para este sistema hemos realizado tres experimentos en colaboración con una radióloga experta en mama y hemos obtenido unos valores de concordancia con sus diagnósticos que se encuentran entre los valores de intercorrelación e intracorrelación entre expertos que hemos encontrado en la literatura. Además, observamos que entrenar los modelos con los descriptores BI-RADS mejora la clasificación según malignidad y los acerca al razonamiento experto.
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-09-01
2022
2022-09-01
2024
2024-05-20
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14468/14666
url https://hdl.handle.net/20.500.14468/14666
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
dc.source.none.fl_str_mv reponame:e-spacio. Repositorio Institucional de la UNED
instname:Universidad Nacional de Educación a Distancia
instname_str Universidad Nacional de Educación a Distancia
reponame_str e-spacio. Repositorio Institucional de la UNED
collection e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869421773304365056
spelling A Deep Neural Network For Describing Breast Ultrasound Images in Natural LanguageCarrilero Mardones, Mikel1203.04 Inteligencia artificialcáncer de mamaBI-RADSecografíadiagnósticos asistidos por ordenadormecanismo de atencióninteligencia artificial explicableaprendizaje profundodescripción de imágenes médicasbreast cancerdeep learningmedical image captioningultrasound imagecomputer aided diagnosisattention mechanismexplainable artificial intelligenceEl cáncer de mama es el tipo de cáncer más común y la principal causa de mortalidad en la población femenina. Sin embargo, su detección temprana puede incrementar la tasa de supervivencia relativa a cinco años del 29% al 99%. La ecografía es una de las técnicas más utilizadas para el diagnóstico de cáncer de mama, pero es necesario un experto para interpretar sus resultados de forma correcta. Esto no es común en algunos países que no cuentan con un programa de cribado apropiado, suponiendo una bajada de la tasa al 20%. Los diagnósticos asistidos por ordenador (CAD) tratan de ayudar a los médicos en este proceso, mejorando los resultados y ahorrando tiempo. Los expertos en cáncer de mama emplean la clasificación BI-RADS para describir tumores, estimar su malignidad y establecer el tratamiento a seguir. Mientras la mayoría de sistemas CAD se limitan a clasificar imágenes según su malignidad, presentamos un modelo basado en dos sistemas para la detección y descripción en lenguaje BI-RADS de tumores en tiempo real. El primer sistema es un algoritmo de detección basado en YOLO que obtiene una precisión de 0.965, una exhaustividad de 0.95 y un área bajo la curva de precisión-exhaustividad de 0.97. El segundo es un sistema de descripción que recibe el tumor detectado y devuelve, en lenguaje natural, su descripción en BI-RADS y una estimación de su malignidad. Para este sistema hemos realizado tres experimentos en colaboración con una radióloga experta en mama y hemos obtenido unos valores de concordancia con sus diagnósticos que se encuentran entre los valores de intercorrelación e intracorrelación entre expertos que hemos encontrado en la literatura. Además, observamos que entrenar los modelos con los descriptores BI-RADS mejora la clasificación según malignidad y los acerca al razonamiento experto.Breast Cancer is the most common cancer and the first cause of mortality among female population. However, its early detection can increase the 5-year survival rate from 29% to 99%. Ultrasound is one of the most used techniques for breast cancer diagnosis, but an expert in the field is necessary to interpret the test correctly. This is not common in some countries that can not afford a proper screening program, resulting in a drop in the 5-year survival rate to 20%. Computer Aided Diagnosis (CAD) systems aim to help physicians during this process, improving results and saving time. Breast cancer experts use Breast Imaging-Reporting and Data System (BI-RADS) classification to describe tumors, estimate their malignancy and establish the treatment to follow. While most CAD systems are limmited to classifying ultrasound images as benign or malignant, giving an explanation via a Region of Interest or an attention mechanism, we have developed a two-system-based model for real-time tumor detection and description using BI-RADS language. The first system is a YOLO-based detection algorithm, which obtains a precision of 0.965, a recall of 0.95, and an area under the precision-recall curve of 0.97. The second is a description system, which uses detected tumor and outputs, in natural language, its description in BI-RADS, and an estimation of the malignancy. For this system, we have carried out three different experiments in collaboration with an expert radiologist in breast cancer and obtained agreement values with her diagnoses that lay between expert intercorrelation and intracorrelation. We also show how training the models with BI-RADS descriptors improves malignancy classification and brings the model closer to expert reasoning.Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia ArtificialNogales Moyano, AlbertoDíez Vegas, Francisco JavierPérez Martín, Jorgee-Spacio UNED20242024-05-2020222022-09-0120222022-09-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/14666reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaInglésengopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/146662026-06-06T12:38:31Z
score 15.812429

Similares en LA Referencia