AI-Powered Radiomics for Breast Cancer Prognosis and Aggressiveness Assessment via Ultrasound Imaging
El càncer de mama continua sent una de les principals causes de mortalitat relacionada amb el càncer entre les dones a tot el món. La detecció precoç és crucial, i l'ecografia mamària (BUS) és una eina diagnòstica clau gràcies a la seva seguretat i accessibilitat. Tanmateix, la interpretació ma...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | CBUC, CESCA |
| Repositorio: | TDR. Tesis Doctorales en Red |
| OAI Identifier: | oai:www.tdx.cat:10803/695647 |
| Acceso en línea: | http://hdl.handle.net/10803/695647 |
| Access Level: | acceso abierto |
| Palabra clave: | Càncer de Mama - Imatges per Ultrasò Anàlisi d'Imatges Mèdiques Diagnòstic Assistit per Ordinador (CAD) Cáncer de Mama - Imágenes por Ultrasonido Análisis de Imágenes Médicas Diagnóstico Asistido por Computadora (CAD) Breast Cancer-Ultrasound Medical Image Analysis Computer-Aided Diagnosis (CAD) Ciències 004 62 |
| Sumario: | El càncer de mama continua sent una de les principals causes de mortalitat relacionada amb el càncer entre les dones a tot el món. La detecció precoç és crucial, i l'ecografia mamària (BUS) és una eina diagnòstica clau gràcies a la seva seguretat i accessibilitat. Tanmateix, la interpretació manual de les imatges BUS sovint és subjectiva i propensa a la variabilitat. Aquesta tesi proposa diversos enfocaments basats en l’aprenentatge profund per millorar la precisió, la robustesa i l’automatització de la segmentació i classificació de tumors en imatges BUS. La primera contribució és un sistema de diagnòstic assistit per ordinador (CAD) en dues etapes. Una xarxa de segmentació basada en WideResNet amb funcions de pèrdua BCE i Dice assoleix una puntuació Dice del 77,32%. Les sortides segmentades s’envien després a un classificador MobileNetv2 ajustat que distingeix entre tumors benignes i malignes amb una precisió del 86%. Per millorar la segmentació, es proposa una nova xarxa autoencoder de dues etapes amb aprenentatge sensible al cost per abordar el desequilibri de classes, aconseguint puntuacions Dice del 84,49% al conjunt UDIAT i del 78,94% al conjunt BUSI. A partir d’això, es presenta un model CoAtNet ampliat que integra blocs convolucionals i d’atenció automàtica, millorant encara més el rendiment de segmentació. La quarta contribució introdueix CoAtUNet, un model híbrid CNN-Transformer amb una estructura simètrica d’encoder-decoder, que assoleix puntuacions Dice del 79,12% (UDIAT) i 76,21% (BUSI), demostrant robustesa davant del soroll i la variabilitat en l’aparença dels tumors. Per abordar les limitacions de les imatges en escala de grisos, la cinquena contribució integra una capa de transformació pseudocolor utilitzant mapes de colors com Cividis dins d’un model CoAtNet de doble flux (DSCoAtNet), millorant significativament la segmentació amb una puntuació F1 del 80,98%. Finalment, es proposa un model de millora basat en GAN (Pix2Pix) que millora les imatges de baixa qualitat reduint el soroll (25,2%) i augmentant la claredat de la imatge (PSNR: 25,24 dB), donant suport a diagnòstics més fiables impulsats per IA. En conjunt, aquestes contribucions demostren un fort potencial clínic per a la detecció del càncer de mama assistida per intel·ligència artificial. |
|---|