Klassifikation von benignen und malignen Brusttumoren in Ultraschall- und Mammographie-Bildern durch Fusion von Deep Learning und handgefertigten Eigenschaften

Brustkrebs ist eine Erkrankung, die Frauen in verschiedenen Ländern der Welt betrifft. Die wahre Ursache von Brustkrebs ist besonders herausfordernd zu bestimmen, und die frühe Erkennung der Krankheit ist notwendig, um die Sterblichkeitsrate zu reduzieren, aufgrund der hohen Risiken, die mit Brustkrebs verbunden sind. Eine Behandlung in der frühen Phase kann die Lebenserwartung und Lebensqualität von Frauen erhöhen. CAD (Computer Aided Diagnostic) Systeme können die Diagnose der benignen und malignen Läsionen von Brustkrebs unter Verwendung von Technologien und Werkzeugen, die auf der Bildverarbeitung basieren, durchführen, um Fachärzten zu helfen, einen präziseren Blickwinkel mit weniger Prozessen bei der Diagnose zu erhalten, indem sie eine zweite Meinung abgeben. Diese Studie präsentiert ein neuartiges CAD-System für die automatisierte Brustkrebsdiagnose. Die vorgeschlagene Methode besteht aus verschiedenen Phasen. In der Vorverarbeitungsphase wird ein Bild segmentiert und eine Maske einer Läsion erhalten; in der nächsten Phase erfolgt die Extraktion der Deep Learning Merkmale durch ein CNN - speziell, DenseNet 201. Zusätzlich werden handgefertigte Merkmale (auf Histogramm orientierte Gradienten (HOG), ULBP, Umfangsfläche, Fläche, Exzentrizität und Zirkel) aus einem Bild erfasst. Das entworfene hybride System verwendet die CNN-Architektur zur Extraktion von Deep Learning Merkmalen, zusammen mit traditionellen Methoden, die mehrere handgefertigte Merkmale durchführen, und folgt den medizinischen Eigenschaften der Krankheit, um später eine Fusion über die vorgeschlagenen statistischen Kriterien vorzunehmen. Während der Fusionsphase, in der Deep Learning und handgefertigte Merkmale analysiert werden, werden genetische Algorithmen sowie der Algorithmus zur Auswahl mutualer Informationen angewendet, gefolgt von mehreren Klassifizierern (XGBoost, AdaBoost, Multilayer perceptron (MLP)), die auf stochastischen Maßnahmen basieren, um die sinnvollste Informationsgruppe aus den Merkmalen auszuwählen. In der experimentellen Validierung von zwei Modalitäten des CAD-Designs, die zwei Arten von medizinischen Studien durchführten - Mammographie (MG) und Ultraschall (US) - wurden die Datenbanken mini-DDSM (Digital Database for Screening Mammography) und BUSI (Breast Ultrasound Images Dataset) verwendet. Neuartige CAD-Systeme wurden bewertet und mit aktuellen hochmodernen Systemen verglichen, wobei eine bessere Leistung in allgemein verwendeten Kriterien demonstriert wurde, wobei ACC von 97,6%, PRE von 98%, Recall von 98%, F1-Score von 98% und IBA von 95% für die oben genannten Datensätze erzielt wurden.