Detección de regiones de interés y localización de lesiones en ultrasonido mamario

En los sistemas actuales de diagnóstico asistido por computadora en ultrasonido mamario, el radiólogo preselecciona una región de interés (ROI) como entrada para el análisis de imágenes de ultrasonido mamario computarizado. Esta tarea consume tiempo y hay inconsistencias entre los expertos humanos. Los investigadores que intentan automatizar el proceso de obtención de las ROIs han confiado en el procesamiento de imágenes y métodos de aprendizaje automático convencionales. Proponemos el uso de un método de aprendizaje profundo para la detección de ROIs en ultrasonido mamario y la localización de lesiones. Utilizamos el marco de detección de objetos más preciso - Faster-RCNN con Inception-ResNet-v2 - como nuestra red de aprendizaje profundo. Debido a la falta de conjuntos de datos, utilizamos el aprendizaje por transferencia y proponemos un nuevo método RGB artificial de 3 canales para mejorar el rendimiento general. Evaluamos y comparamos el rendimiento de nuestros métodos propuestos en dos conjuntos de datos (a saber, Conjunto de Datos A y Conjunto de Datos B), es decir, dentro de los conjuntos de datos individuales y un conjunto de datos compuesto. Informamos los resultados de detección de lesiones con dos tipos de análisis: (1) punto detectado (centro de la región segmentada o la caja delimitadora detectada) y (2) Intersección sobre Unión (IoU). Nuestros resultados demuestran que los métodos propuestos lograron resultados comparables en el punto detectado pero con una mejora notable en IoU. Además, nuestro método RGB artificial de 3 canales propuesto mejora la recuperación del Conjunto de Datos A. Finalmente, esbozamos algunas direcciones futuras para la investigación.