Reconstrução de tomossíntese mamária utilizando redes neurais com aprendizado profundo

Abstract

Tomossíntese Mamária Digital (DBT) é uma técnica de imageamento radiográfico, com aquisição de projeções em ângulos limitados utilizando dose reduzida de radiação. Ela tem por objetivo reconstruir fatias tomográficas do interior da mama, possibilitando o diagnóstico precoce de possíveis lesões e aumentando, consequentemente, a probabilidade de cura do paciente. Contudo, devido ao fato de que DBT utiliza doses baixas de radiação, a imagem gerada contém mais ruído que a mamografia digital. Embora a qualidade do exame esteja diretamente relacionada com a dose utilizada, espera-se que a dose de radiação empregada no exame seja a mais baixa possível, mas ainda com qualidade suficiente para que o diagnóstico possa ser realizado, conforme o princípio As Low As Reasonably Achievable (ALARA). Uma das etapas importantes para se buscar o princípio ALARA é a reconstrução tomográfica, que consiste em um software que gera as fatias do interior da mama a partir de um conjunto de projeções 2D de DBT adquiridas. Por outro lado, técnicas de Aprendizado de Máquina, especialmente redes neurais com aprendizado profundo, que recentemente tem evoluído consideravelmente o estado da arte em diversos problemas de Visão Computacional e Processamento de Imagens, tem características adequadas para serem aplicadas também na etapa de reconstrução. Deste modo, este trabalho investigou uma arquitetura básica de rede neural artificial com aprendizado profundo que seja capaz de reconstruir imagens de DBT, especialmente focada na redução de ruído. Ainda, considerando uma etapa adicional de filtragem usando o método Denoising Convolutional Neural Networks (DnCNN) após a reconstrução, o método proposto foi superior a uma abordagem em estado da arte de reconstrução de DBT em termos de SSIM (Structural Similarity Index Measure) e PSNR (Peak Signal-to-Noise Ratio) usando dados de corpos de prova virtuais de DBT, atingindo valores de 37,644 db em PSNR e 0,869 em SSIM. Por fim, ressalta-se que esta implementação de arquitetura básica para reconstrução de DBT é relevante para o desenvolvimento futuro de redes neurais artificiais únicas que realizam o processo completo de reconstrução de DBT (envolvendo filtragem e retroprojeção).

Digital Breast Tomosynthesis (DBT) is a technique of radiographic imaging, with acquisition of projections at limited angles using reduced dose of radiation. It aims to reconstruct tomographic slices inside the breast, making possible the early diagnosis of possible lesions and, consequently, increasing the probability of cure of the patient. However, due to the fact that DBT uses low doses of radiation, the generated image contains more noise than digital mammography. Although the quality of the exam is directly related to the dose applied, the radiation dose used in the examination is expected to be as low as possible, but still keeping enough quality for the diagnosis to be made, as determined by the As Low As Reasonably Achievable (ALARA) principle. One of the important steps to achieve the ALARA principle is the tomographic reconstruction, which consists of a software that generates slices inside the breast from an acquired set of 2D DBT projections. On the other hand, Machine Learning techniques, especially neural networks with deep learning, that have recently evolved considerably the state-of-the-art in several problems in Computer Vision and Image Processing areas, it has suitable characteristics to be applied also in the reconstruction step. Thus, this work investigated a basic architecture of artificial neural network with deep learning that is capable to reconstruct DBT images, especially focused on noise reduction. Furthermore, considering an additional filtering step using the Denoising Convolutional Neural Networks (DnCNN) method after reconstruction, the proposed method was superior to a state-of-the-art approach to reconstruct DBT in terms of SSIM (Structural Similarity Index Measure) and PSNR (Peak Signal-to-Noise Ratio) using data from DBT phantoms, achieving values of 37.644 dB in PSNR and 0.869 in SSIM. Finally, it is emphasized that this implementation of a basic architecture for DBT reconstruction is relevant for the future development of a unique artificial neural networks that realizes the complete process of DBT reconstruction (involving filtering and backprojection).