Segmentace a měření objemu fibroglandulární prsní tkáně z MRI

Abstract

Hustota prsní tkáně, definovaná jako poměr fibroglandulární tkáně (FGT) k celkovému objemu prsu, je významným biomarkerem pro předpovídání rizika vzniku rakoviny prsu. Klasicky je určována z 2D mamografických snímků, avšak v této práci představujeme automatizovaný systém využívající hluboké učení pro segmentaci FGT a výpočet hustoty prsní tkáně přímo ze 3D MRI dat. S využitím různých architektur U-Net jsme provedli segmentaci ve 2D i 3D a výsledky vzájemně porovnali. Dále jsme implementovali automatizovaný systém pro klasifikaci hustoty prsu dle BI-RADS na základě vypočteného poměru FGT k objemu prsu a prozkoumali jsme i přímou klasifikaci bez segmentace pomocí modelů ResNet a DenseNet. Naše výsledky ukazují slibnou přesnost segmentace, ale zvýrazňují omezení v klasifikaci, zejména problémy způsobené malým počtem vzorků a překrýváním mezi jednotlivými třídami. Zjištění potvrzují potenciál hodnocení hustoty na základě MRI jako objektivnější alternativy k tradičnímu skórování BI-RADS na základě 2D mamografie. Budoucí výzkum by se měl zaměřit na zlepšení generalizace modelu a přesnosti klasifikace prostřednictvím rozšíření dat a vylepšení metod.Breast density, defined as the ratio of fibroglandular tissue (FGT) to the whole breast volume, is a significant biomarker for predicting breast-cancer-related risks. Classically determined from 2D mammographs, in this thesis, we introduce an automated deep learning framework for segmenting FGT and calculating breast density directly from 3D MRI data. Utilizing variations of U-Net architecture, we performed both 2D and 3D segmentation and compared the results. We also implemented an automated scheme for BI-RADS breast density classification, based on the calculated FGT-to-breast volume ratios and explored a direct classification approach without segmentation using ResNet and DenseNet models. Our results show promising segmentation accuracy but highlight the limitations in classification, notably the challenges posed by small datasets and inter-class overlap. The findings confirm the potential of MRI-based density assessment as a more objective alternative to conventional 2D mammography-based BI-RADS scoring. Future work should focus on improving model generalizability and classification accuracy through data expansion and methodological enhancements.