Классификация наличия злокачественных образований на маммограмме с помощью методов глубокого обучения

Обоснование. Рак молочной железы — заболевание, которое является одной из основных причин смертности от рака у женщин [1]. Регулярный массовый скрининг, проводимый с помощью маммографии, играет важнейшую роль в заблаговременном выявлении изменений в тканях молочной железы. Однако начальные стадии патологии часто остаются незамеченными, и их сложно диагностировать [2].

Несмотря на эффективность маммографии в снижении смертности от рака молочной железы, ручной анализ изображений может занимать много времени и быть трудозатратным. Поэтому актуальны попытки автоматизировать этот процесс, например, с помощью систем автоматизированной диагностики (CAD) [3]. Однако в последние годы всё больший интерес вызывают решения на основе нейронных сетей, в частности в биологии и медицине [4–6]. Технологические достижения, использующие искусственный интеллект, уже показали свою эффективность в обнаружении патологий [7, 8].

Цель — создание автоматизированного решения для выявления рака молочной железы на маммограммах.

Материалы и методы. Решение реализовано следующим образом: разработан инструмент на основе глубокой нейронной сети, который позволяет по подаваемому на вход изображению получить вероятность наличия злокачественного образования. Для обучения модели был использован объединённый датасет из открытых наборов данных, таких как MIAS, CBIS-DDSM, INbreast, CMMD, KAU-BCMD, VinDr-Mammo [9–14].

Результаты. Модель классификации, основанная на архитектуре EfficentNet-B3, позволяет достичь при тесте на выборке из комбинированного набора данных до 0б95 по метрике площади под ROC-кривой, 0,88 Sensitivity и 0,9 Specificity. Благодаря обучению на изображениях из разных датасетов, отличающихся по качеству данных и региону получения, модель обладает высокой обобщающей способностью, что является ещё одним преимуществом. Кроме того, для повышения эффективности использовались такие методы, как предварительная обрезка изображений и аугментации в процессе обучения.

Заключение. Результаты экспериментов показали, что модель на высоком уровне достоверности может выявлять злокачественные образования. Полученные высокие метрики качества обеспечивают значительный потенциал для внедрения данного метода в автоматизированную диагностику, например, в качестве дополнительного мнения для медицинских специалистов.