| dc.description.abstract | Brystkreft er den vanligste kreft blant kvinner, med nesten 3700 nye tilfeller diagnostisert årlig i Norge. Innenfor denne gruppen diagnostiseres mellom 5 og 10% på stadium III med lokalavansert brystkreft. Presurgical tumor downstaging ved neoadjuvant cellegiftbehandling gjør brystbevarende kirurgi aktuelt for store svulster, og kan også redusere risikoen for lokoregionalt tilbakefall.
Tidlig evaluering av brystkreftrespons på behandling kan vise effektiviteten av behandlingen, og gir mulighet for endring av behandlingen hvis det ikke er noe svar. Blant forskjellige bildemodaliteter for evaluering av tumorrespons, har dynamisk kontrastforsterket (DCE) MR vist den høyeste følsomheten ved påvisning av gjenværende svulst etter behandling. Vanligvis segmenterer radiologer svulstene manuelt i hvert stykke DCE-bildeserien, noe som er en svært tidkrevende oppgave. Videre kan manuelle segmenteringer variere mellom forskjellige radiologer, noe som fører til forskjellige estimater av tumorvolumet.
Målet med denne oppgaven var å undersøke ved hjelp av en dyp læringsmodell for påvisning og segmentering av brysttumorer i DCE-MR-bilder for å lette måling av tumorvolum for evaluering av respons på behandlingene. For dette formålet ble det brukt et regionalt basert konvolusjonalt nevralt nettverk (maske R-CNN), som sender ut pikselvis forekomst av segmenter av objekter, i dette tilfellet svulster. Et datasett bestående av 111 lokalt avanserte brystkreftpasienter som gjennomgikk neoadjuvant cellegift på tre sykehus - St. Olavs universitetssykehus (Trondheim), Haukeland universitetssykehus (Bergen) og Stavanger universitetssykehus (Stavanger) ble inkludert i studien. Baseline og gjenværende svulst etter hver behandlingssyklus ble segmentert manuelt. Segmenteringene av St. Olavs datasett ble validert av en radiolog, og derfor ble modellen trent på "forskertegnede" segmenteringer av bildene fra de andre institusjonene, og validert separat ved hjelp av bildene fra St.
Ytelsen til modellen i segmentering av brysttumorer ble evaluert ved målinger av følsomhet, presisjon, spesifisitet og nøyaktighet. For å vurdere modellens segmenteringer ble også terninglikhetskoeffisientene (DSC) beregnet mellom manuelle segmenteringer og modellspådommene.
Modellens nøyaktighet ved påvisning av brysttumorer var 0,84 med sensitivitet og spesifisitet på henholdsvis 0,75 og 0,71. Dessuten var gjennomsnittlig DSC for testsettet 0,84. Basert på de oppnådde resultatene, kan det konkluderes med at den dype læringsmodellen fungerer godt både i deteksjon og segmentering av brysttumorer i DCE-MR-bilder. De oppnådde resultatene var ganske gode, spesielt siden testkullet er helt uavhengig av treningskullene. Imidlertid kan bruk av bilder med forskjellig kontrast til støyforhold (CNR) i opplæringstrinnet forbedre ytelsen til modellen ved å redusere de falske positive deteksjonene. En fremtidig studie bør undersøke den potensielle gunstige effekten av å legge til en del av testsettet i treningssett og videre evaluering av modellen på den gjenværende kohorten. | |
| dc.description.abstract | Breast cancer is the most common cancer among women, with nearly 3700 new cases diagnosed annually in Norway. Within this group, between 5 and 10% are diagnosed at stage III with locally-advanced breast cancer. Presurgical tumor downstaging by neoadjuvant chemotherapy treatment makes breast-conserving surgery applicable to large tumors, and may also lower the risk of locoregional relapse.
Early evaluation of breast cancer response to treatment can show the effectiveness of that treatment, and gives the opportunity for treatment change if there is no response. Among different imaging modalities for the evaluation of tumor response, dynamic contrast-enhanced (DCE) MRI has shown the highest sensitivity in detection of the residual tumor following treatment. Typically, radiologists manually segment the tumors in each slice of the DCE image series, which is a highly time-consuming task. Moreover, manual segmentations may vary between different radiologists, leading to different estimations of the tumor volume.
The aim of this thesis was to investigate using a deep learning model for detection and segmentation of breast tumors in DCE-MR images to facilitate the measurement of tumor volume for evaluation of response to the treatments. For this purpose, a regional-based convolutional neural network (mask R-CNN), which outputs pixel-wise instance segmentation of objects, in this case tumors, was used. A dataset consisting of 111 locally-advanced breast cancer patients who underwent neoadjuvant chemotherapy in three hospitals – St Olav's University Hospital (Trondheim), Haukeland University Hospital (Bergen), and Stavanger University Hospital (Stavanger) was included in the study. The baseline and residual tumor following each treatment cycle was manually segmented. The segmentations of the St. Olav's dataset, was validated by a radiologist, hence, the model was trained on “researcher-drawn” segmentations of the images from the other institutions, and separately validated using the images from St Olav's Hospital.
The performance of the model in segmentation of the breast tumors was evaluated by sensitivity, precision, specificity, and accuracy measurements of the model. Also, to assess the model’s segmentations, the dice similarity coefficients (DSC) between manual segmentations and the model predictions was calculated.
The model’s accuracy in detection of the breast tumors was 0.84 with sensitivity and specificity of 0.75 and 0.71, respectively. Also, the average DSC of the test set was 0.84. Based on the achieved results, it can be concluded that the deep learning model performs well both in detection and segmentation of the breast tumors in DCE-MR images. The achieved results were quite good especially since the test cohort is completely independent from the training cohorts. However, using images with different contrast to noise ratios (CNR) in the training step could improve the performance of the model, by decreasing the false positive detections. A future study should investigate the potential beneficial effect of adding part of the test set to training set and further evaluation of the model on the remaining cohort. | |
