top of page

文獻探討

    本研究著重於進行人工智慧深度學習時的演算法效能，以提升乳房腫瘤X光影像之形狀辨識準確率為目標。故於文獻回顧部分，分為三個主軸，對於本計畫之研究方向影響深遠，分別為有效診斷出乳房腫瘤之模型、影像處理的方法、訓練資料的選擇及訓練模型的選擇。首先回顧有關有效診斷出乳房腫瘤之模型之研究論文，第二部分加以闡述圖像處理的相關理論，第三部分為訓練資料集的介紹與分析，最後一部分為影像分割常用模型的介紹與比較。

選擇有效診斷出乳癌的方法

Mobark, N.; Hamad, S.; Rida, S.Z. “CoroNet: Deep Neural Network-Based End-to-End Training for Breast Cancer Diagnosis.”

Appl. Sci. 2022, 12, 7080.

此篇論文中列出了五種進行人工智慧模型訓練時常用的演算法，並針對各演算法列出理論面的特性、優缺點及實作上的成效分析。

​

以下說明機器學習模型中各演算法的特性比較：

1. Artificial neural networks

  • 接收與處理訊息的能力佳，容易訓練，只適用於少量數據

2. Deep belief networks

  • 能自動對輸入的資料進行分類分群

3. Convolutional neural networks

  • 最多人研究的方法、處理圖像的性能高，通常以越大量的圖像訓練準確率越高

4. Extreme learning machines

  • 非常耗時且準確率比不上卷積神經網路

5. Generative adversial networks

  • 訓練起來非常不穩定

圖像處理的方法

Mridha, M.F.; Hamid, M.A.; Monowar, M.M.; Keya, A.J.; Ohi, A.Q.; Islam, M.R.; Kim, J.-M. “A Comprehensive Survey on Deep-Learning-Based Breast Cancer Diagnosis.” Cancers 2021, 13, 6116.

此篇論文中列出了五種圖像處理的方法。

​

1. Augmentation

  • 因許多醫學影像在圖中含有大量註釋固不可採用，因此藉由增加此方法以增加圖像數量

2. ROI extraction

  • 提取所需要的資訊

3. Scaling

  • 縮放，統一所有圖片大小

4. Image normalization

  • 將圖片的像素質正規化至0-1的範圍中

5. Remove artifacts

  • 去除醫學影像中的偽影、文字標籤、不透明處​，如：胸肌

訓練資料的選擇

此文獻提出四組在進行乳房相關研究時常使用的X光影像資料集。

1. DDSM

  • 最常被使用且為目前資料最多的公開資料集，共有695個無異常病例，1925個異常病例。

  • 無腫瘤或鈣化點的無異常乳房影像

  • 含腫瘤或鈣化點，經判定後為良性的乳房影像

  • 含腫瘤或鈣化點，經判定後為惡性的乳房影像

​

2. MIAS

  • 其中的資料年份最為久遠，共有 161個無分類病例和 322 張數字化的 MLO 圖像組成。

  • 含腫瘤或鈣化點，經判定後為良性的乳房影像

  • 含腫瘤或鈣化點，經判定後為惡性的乳房影像

​

3. CBIS-DDSM

  • 簡化的DDSM，但資料量較DDSM少，共有753 個鈣化點病例和 891 個腫瘤病例。

  • 無腫瘤或鈣化點的無異常乳房影像

  • 含腫瘤或鈣化點，經判定後為良性的乳房影像

  • 含腫瘤或鈣化點，經判定後為惡性的乳房影像

​

4. BancoWob LAPIMO

  • 含320個病例共為1473 張。

  • 含腫瘤或鈣化點，經判定後為良性的乳房影像

  • 含腫瘤或鈣化點，經判定後為惡性的乳房影像正側拍的放大圖

訓練模型的選擇-MultiResUNet

Nabil Ibtehaz, M. Sohel Rahman “MultiResUNet : Rethinking the U-Net architecture for multimodal biomedical image segmentation”, Neural Networks, Volume 121, 2020

本篇文獻所提出之MultiResUnet為基於Unet架構改進，介紹了MultiResUnet的架構與應用，並對比兩者，針對模型架構與實際應用情況進行分析。

​

bottom of page