BACKGROUND: Breast cancer is one of the leading causes of cancer-related mortality in women [1]. Regular mass screening with mammography plays a critical role in the early detection of changes in breast tissue. However, the early stages of pathology often go undetected and are difficult to diagnose [2].
Despite the effectiveness of mammography in reducing breast cancer mortality, manual image analysis can be time consuming and labor intensive. Therefore, attempts to automate this process, for example using computer-aided diagnosis systems, are relevant [3]. In recent years, however, solutions based on neural networks have gained increasing interest, especially in biology and medicine [4-6]. Technological advances using artificial intelligence have already demonstrated their effectiveness in pathology detection [7, 8].
AIM: The study aimed to develop an automated solution to detect breast cancer on mammograms.
MATERIALS AND METHODS: The solution is implemented as follows: a deep neural network-based tool has been developed to obtain the probability of malignancy from the input image. A combined dataset from public datasets such as MIAS, CBIS-DDSM, INbreast, CMMD, KAU-BCMD, and VinDr-Mammo [9–14] was used to train the model.
RESULTS: The classification model, based on the EfficientNet-B3 architecture, achieved an area under the ROC curve of 0.95, a sensitivity of 0.88, and a specificity of 0.9 when tested on a sample from the combined dataset. The model’s high generalization ability, which is another advantage, was demonstrated by its ability to perform well on images from different datasets with varying data quality and acquisition regions. Furthermore, techniques such as image pre-cropping and augmentations during training were used to enhance the model's performance.
CONCLUSIONS: The experimental results demonstrated that the model is capable of accurately detecting malignancies with a high degree of confidence. The obtained high-quality metrics offer a significant potential for implementing this method in automated diagnostics, for instance, as an additional opinion for medical specialists.
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.