Filtragem de ruído em projeções de Tomossíntese Mamária utilizando aprendizado profundo

Carregando...
Imagem de Miniatura

Data

2021-10-26

Título da Revista

ISSN da Revista

Título de Volume

Editor

Universidade Estadual Paulista (Unesp)

Resumo

Redes Neurais com Aprendizado Profundo têm se destacado por se tornar a abordagem em estado da arte para diversos problemas, especialmente em análise de imagens. Uma das características essenciais para um treinamento adequado destas redes é a necessidade de uma grande base de dados. Porém, em algumas aplicações, pode ser difícil obter um número de amostras suficiente, ou ainda, pode ser inviável a aquisição de dados de referência (ground truth) para o treinamento de forma supervisionada. Uma destas aplicações é a filtragem de ruído em Tomossíntese Mamária (DBT). Os exames de Tomossíntese Mamária utilizam radiação ionizante e, como expor o paciente a diversas aquisições com diferentes doses de radiação é inadequado, torna-se inviável obter os dados de referência. Além disso, o princípio ALARA da área de proteção radiológica propõe uma busca constante pela menor dose adequada para um exame. Porém, reduzir a dose de radiação implica em elevar o nível de ruído nas imagens adquiridas de DBT, de tal modo que os métodos de filtragem de ruído são fundamentais para permitir a redução de dose de radiação em DBT. Por sua vez, alguns trabalhos da literatura podem contribuir para a criação de uma base de dados de DBT, especialmente dados de referência, tal como métodos que simulam redução de dose e softwares que geram ensaios clínicos virtuais de DBT. Diversos métodos de filtragem de ruído têm sido aplicados em DBT, porém, existem poucos trabalhos que buscam aplicar redes neurais profundas para filtragem de ruído em DBT. Deste modo, este trabalho investigou extensivamente a filtragem de ruído em projeções de DBT com métodos de aprendizado profundo, comparando com métodos tradicionais. Os resultados dos métodos baseados em redes neurais foram superiores quantitativamente, atingindo um PSNR médio acima de 1,7 dB em comparação com os métodos tradicionais. Qualitativamente, os resultados dos métodos profundos também foram superiores, sendo melhores em preservar as estruturas mamárias e o contraste nas regiões com microcalcificações.
Deep neural networks have stood out for becoming the state-of-the-art approach to several problems, especially in image analysis. One of the essential features for a suitable training is the requirement of a large database. However, in some applications, it may be difficult to obtain enough samples, or yet, it may be impossible the acquisition of reference data (also known as ground truth) to train the network in a supervised way. One of these applications is the denoising in digital breast tomosynthesis (DBT) images. The DBT exams use ionizing radiation. Thus, exposing the patient to several acquisitions with different doses of radiation is inadequate, being impossible to obtain ground truth data. Moreover, the ALARA principle, established by the radiological protection area, proposes to seek the lowest adequate radiation dose as possible. However, decreasing the radiation dose implies increasing the noise level in DBT images, so the denoising methods are fundamental to enable the radiation reduction in DBT. Some works on the literature could contribute to creating a DBT database, especially with ground truth, using methods to simulate the dose reduction and software to generate virtual clinical trials (VCTs) of DBT exams. Several denoising methods have been applied to denoise DBT data, although, there are few works that aim on applying deep neural networks for denoising in DBT. In this way, this work extensively explored the denoise in DBT projections using deep learning methods. The neural network based methods results are better quantitatively, reaching over 1.7 dB of average PSNR compared to traditional methods. Qualitatively, the deep methods also are superior, being better to preserve the breast structures and the contrast in regions with microcalcifications.

Descrição

Palavras-chave

Tomossíntese mamária, Filtragem de ruído, Aprendizado profundo, Redes neurais artificiais, Digital Breast Tomosynthesis, Denoising, Deep learning, Artificial neural networks

Como citar