Ανάπτυξη και αξιολόγηση βαθιών νευρωνικών δικτύων για τη διάγνωση του καρκίνου του μαστού με χρήση ψηφιακής μαστογραφίας και τομοσύνθεσης

Abstract

Η έγκαιρη και αξιόπιστη διάγνωση του καρκίνου του μαστού αποτελεί κρίσιμο παράγοντα για τη μείωση της θνησιμότητας και τη βελτίωση της πρόγνωσης των ασθενών. Στην παρούσα διπλωματική εργασία διερευνάται η ανάπτυξη και αξιολόγηση βαθιών νευρωνικών δικτύων για τη διάγνωση καρκίνου του μαστού, αξιοποιώντας δεδομένα ψηφιακής μαστογραφίας (2D) και τομοσύνθεσης μαστού (Digital Breast Tomosynthesis – DBT, 3D). Η εργασία εστιάζει στην ανάλυση και επεξεργασία εικόνων υψηλής διαγνωστικής σημασίας, εξετάζοντας διαφορετικές αρχιτεκτονικές βαθιάς μάθησης, καθώς και στρατηγικές συνδυασμού (fusion strategies) των εικόνων πολλαπλών τομών (slices). Χρησιμοποιήθηκε η βάση δεδομένων EMBED, από την οποία εξήχθησαν και οργανώθηκαν εικόνες 2D και 3D για πειραματική αξιολόγηση. Πραγματοποιήθηκαν εκτεταμένα πειράματα με διαφορετικό αριθμό slices (3, 5 και 7), καθώς και με παραλλαγές στο batch size, με στόχο την κατανόηση της επίδρασης των παραμέτρων αυτών στην τελική διαγνωστική απόδοση. Τα μοντέλα αξιολογήθηκαν βάσει ακρίβειας, ευαισθησίας, ειδικότητας και AUC. Τα αποτελέσματα έδειξαν ότι η αύξηση του αριθμού των slices βελτιώνει την πληρότητα της αναπαράστασης της τρισδιάστατης πληροφορίας, οδηγώντας σε υψηλότερη απόδοση των μοντέλων. Επιπλέον, παρατηρήθηκε ότι το batch size επηρεάζει σημαντικά τη σταθερότητα της εκπαίδευσης και την ικανότητα γενίκευσης. Συνολικά, ο συνδυασμός δεδομένων ψηφιακής μαστογραφίας και τομοσύνθεσης με κατάλληλες αρχιτεκτονικές βαθιάς μάθησης μπορεί να ενισχύσει την ακρίβεια των συστημάτων αυτόματης διάγνωσης καρκίνου του μαστού και να αποτελέσει πολύτιμο εργαλείο υποβοήθησης των ακτινολόγων.