Pokročilé metody diagnostiky karcinomu prsu pomocí metod strojového učení

Abstract

Tato diplomová práce se zabývá využitím metod strojového a hlubokého učení pro automatickou klasifikaci mamografických snímků se zaměřením na hodnocení pravděpodobnosti malignity a denzity prsní tkáně podle systému BI-RADS. Práce poskytuje teoretický přehled o principech digitální mamografie, systému BI-RADS a současných přístupech ke klasifikaci obrazových dat v kontextu diagnostiky karcinomu prsu. V praktické části jsou popsány jednotlivé kroky předzpracování snímků, extrakce příznaků a konstrukce klasifikačních modelů. Klasifikace byla realizována pomocí klasických algoritmů (např. SVM, KNN, rozhodovací stromy) i konvolučních neuronových sítí, včetně nepředučené sítě a předučené architektury InceptionV3. Modely byly natrénovány na veřejném datasetu VinDr-Mammo a otestovány i na neveřejném datasetu Carebot. Cílem práce bylo porovnat jednotlivé přístupy a aplikovat naučené konvoluční sítě na dataset společnosti Carebot.

This diploma thesis deals with the use of machine learning and deep learning methods for the automatic classification of mammographic images, focusing on the assessment of malignancy probability and breast tissue density according to the BI-RADS system. The thesis provides a theoretical overview of the principles of digital mammography, the BI-RADS system, and current approaches to image data classification in the context of breast cancer diagnostics. The practical part describes the individual steps of image preprocessing, feature extraction, and the construction of classification models. The classification was carried out using traditional algorithms (e.g., SVM, KNN, decision trees) as well as convolutional neural networks, including a non-pretrained network and the pretrained InceptionV3 architecture. The models were trained on the publicly available VinDr-Mammo dataset and also tested on a private dataset provided by the company Carebot. The aim of the thesis was to compare the individual approaches and to apply the trained convolutional networks to the Carebot dataset.