Tumor segmentation in USG images using artificial neural networks

Często pierwszym krokiem do analizy obrazów biologicznych jest wyodrębnienie interesującego nas na nim obiektu, np. guza nowotworowego. Problem oznaczania pikseli na obrazie należących do interesującej nas klasy, nazywany jest segmentacją semantyczną. Nowoczesne techniki mające na celu automatyzację żmudnego procesu oznaczenia masek najczęściej korzystają ze sztucznych sieci neuronowych. Jednym z najpopularniejszych modeli do segmentacji obrazów medycznych jest U Net oraz inspirowane nim architektury. Praca ta ma na celu porównanie wybranych rozwiązań opartych o tę metodę na zbiorze danych zdjęć USG guzów nowotworowych różnych typów, zlokalizowanych w międzyłopatkowej poduszce tłuszczowej, pakiecie mlecznym oraz kończynie dolnej u myszy. Porównano modele takie jak U Net, Res U Net, Attention U Net, R2AU Net. Wśród nich najlepszy wynik osiągnął Attention U Net (Dice 0.731 dla zbioru testowego), który wcześniej pretrenowany był jako autoencoder.

Usually the first step for further medical image analysis involves separating interesting image parts (such as tumor) from background. The semantic segmentation is a task of classifying pixels to specific classes. The most common techniques used in this field nowadays utilize artificial neural networks. In the field of medical image segmentation, the leading architectures are based on U Net model. The thesis aims at comparison of different U-Net models efficiency in segmentation task using images from USG B-mode of several tumor types growing in the interscapular fat pad, breast fatpad and leg in mice. The comparison was made using models such as U Net, Res U Net, Attention U¬¬ Net and R2AU Net. Amongst them the best score got Attention U Net (Dice 0.731 on test set) which was also pretrained as autoencoder.