| dc.description.abstract | Hensikt: I Norge blir kvinner mellom 50 og 69 år invitert til mammografiscreening annethvert år. En av ulempene ved screening er falskt positive resultater. I dag er det to radiologer som tyder hvert mammogram og i fremtiden kan kanskje den ene radiologen erstattes med nevrale nett. Innenfor bildediagnostikken er det Convolutional Neural Network (CNN) som er best egnet til å tyde mammogrammer. I vår oppgave har vi sammenlignet elleve studier med ulike CNN-modeller. Vi har tatt utgangspunkt i Area Under the Curve (AUC)-verdien, da det gir en verdi på hvor godt modellen klassifiserer lesjoner. Vi har også diskutert hva CNN-modeller kan bidra med i mammografi.
Metode: Vi har utført en litteraturstudie for å svare på problemstillingen. PubMed, Scopus og Oria ble brukt til å finne fagfellevurderte artikler. Inklusjons- og eksklusjonskriterier har resultert i de elleve mest representative artiklene for vår problemstilling. Vi leste og analyserte dataene og trakk ut elementer som kan ha påvirket AUC-verdiene til CNN-modellene.
Resultat: AUC-verdiene varierte mellom 0.77 og 0.99. Det ser ut at det som har mest påvirkning på AUC-verdien er antall bilder og antall lag. Antall bilder som var inkludert i studiene varierte mellom 301 og 28 294, og vi ser at de med flest bilder har høyest AUC-verdi. Det er også forskjell på hvor mange lag de ulike modellene har. De med flest lag har generelt fått høyere AUC-verdier. Én studie har ikke brukt transfer learning og en annen har ikke validert. Disse studiene har relativt lav AUC-verdi.
Konklusjon: CNN-modellene presterer bedre enn radiologene. Vi tror at CNN-modeller kan erstatte den ene radiologen i fremtiden og bidra med å redusere antall tilbakekallinger. Det kan føre til reduserte kostnader, mindre arbeidsmengde for radiologer, og mindre psykisk belastning for pasienter. | |
| dc.description.abstract | Purpose: All women aged 50 to 69 are invited to participate in the Norwegian Breast Cancer Screening Program biannually. One of the disadvantages with screening is high recall rates. Today, there are two radiologists who interpret each mammogram, and one of them might be replaced by a neural network in the future. Convolutional Neural Network (CNN) is the best model suited to interpret mammograms in digital imaging. In our study, we compared eleven studies with different CNN-models. We based our study on the Area Under the Curve (AUC) value, which evaluates how well the model classifies lesions. We also discussed how CNN-models can assist in mammography.
Methods: We decided to do a literature study to answer our thesis. PubMed, Scopus and Oria were used to find articles which were peer-reviewed. We set several criterias to include and exclude articles and therefore, we ended up with eleven studies representable for our thesis. We read and analysed the data, extracting the key elements which may have affected the AUC value to the CNN-models.
Results: The AUC values varies between 0.77 and 0.99. It appears to be the number of pictures and layers that has the biggest impact on the AUC value. The number of pictures used ranged from 301 to 28 294, and the studies using the biggest dataset got the highest AUC-value. Furthermore, this was also the case regarding layers. The studies with many layers, got higher AUC-values. One of the studies did not use transfer learning, and a second study did not validate. Both of these got low AUC-values.
Conclusion: CNN-models performed better then radiologists. We believe that CNN-models might replace one of the radiologists in the future, and contribute to reduce recall rates. A result of this is reduced medical cost, less workload for radiologists and less psychological stress to patients. | |
