ההטרוגניות הרבה במראה שאתות ומבנים תקינים בשד משבשת את יכולתם של אלגוריתמים ממוחשבים לזהות שאתות בשד. מטרת מחקר זה הייתה לפתח תוכנה המסמנת נגעים (Lesion Highlighter - LH) שישפר את תפקודם של אלגוריתמים ממוחשבים שמטרתם לזהות גידולי שד בממוגרפיות המבוצעות במסגרת בדיקות סקר לזיהוי מוקדם של סרטן שד.
עוד בעניין דומה
החוקרים שיערו כי מסיר נגעים (Lesion Remover - LR) המבוסס על תוכנת Cycle-GAN יכול לשמש כ-LH, ובכך יכול לשפר את התפקוד של אלגוריתמים לזיהוי נגעים. לתוכנה הציגו 10,310 ממוגרפיות אותן ביצעו 4,832 נשים אשר כללו 4,942 נגעים הדורשים בדיקה חוזרת (BI-RADS 0) ו-5,368 עם תוצאות תקינות (BI-RADS 1). את מאגר הנתונים חילקו לשלוש תיקיות; אימון, אישוש ומבחן ביחסים של; 64%, 16% ו-20%, בהתאמה. את התמונות חילקו לתלאים של 400X400 פיקסלים של נגעים שסומנו על ידי רדיולוגים מאושרים על ידי MQSAי(Mammography Quality Standards Act), או רקמת שד תקינה. החוקרים אימנו Cycle-GAN לפתח שני סוגי GAN אשר העבירו את הסגנון של כל תמונה לחברתה. GAN שמסוגל להעביר את הסגנון של תמונה עם נגע לתמונה ללא נגע נקרא LR. לאחר מכן הנגע סומן בצבע לצורך אימון האלגוריתם בשיטות של למידת עומק; אחת שאומנה על בסיס ממוגרפיות צבועות (Highlighted), שניה שאומנה על בסיס ממוגרפיות מקוריות ללא הדגשה של הנגע (Baseline) ושלישית על שילוב ביניהם. לאחר מכן בוצע הערכת עקומה אופיינית למסווג (Receiver Operating Charachteristic - ROC) עבור שלוש גרסות של כל רשת למידת עומק בסבב המבחן.
תוצאות המחקר הדגימו כי הגרסה המשולבת של מערכות הלמידה השיגה שטח תחת העקומה (Area Under Curve - AUC) שנעה בין 0.963 לבין 0.974 לצורך בידול בין תמונה עם נגע חשוד לבין תמונה של רקמת שד תקינה. ייתרון זה היה מובהק על פני גרסה שאומנה ללא הדגשת הנגעים, אשר הדגים AUC בטווח של 0.914-0.967 (p<0.001).
מסקנת החוקרים הייתה כי LR מבוסס על Cycle-GAN הינו יעיל להגברת זיהוי נגעים ועל כן יכול לשפר את יכולת הזיהוי של אלגורתמים ממוחשבים לזיהוי נגעי שד בהדמיות ממוגרפיה.
מקור:
הירשמו לקבלת עדכונים בנושאים שעלו בכתבה
