Breast Tissue Segmentation of MR Volumes using Unsupervised Neural Networks

by Michael Meyling

Thursday May 20, 2021, 1:30 PM → 2:15 PM Europe/Berlin

Vortrag zur Masterarbeit von Michael Meyling zum Thema  Segmentierung von Brustgewebe in MRTs mit unüberwachten neuronalen Netzen.

Bildregistrierung ist eine vielversprechende Technik zur Verbesserung der Brustkrebsdiagnose, indem verschiedene Bildmodalitäten kombiniert werden. Am KIT wird eine Bildregistrierung zwischen Magnetresonanztomographie (MRT) und Röntgenmammographie entwickelt, die auf einem biomechanischen Modell basiert. Die Klassifizierung von Gewebe für jeden Pixel im MRT, die sogenannte Segmentierung, ist für diese Technik erforderlich. In dieser Arbeit wird eine automatische Methode entwickelt, die auf einem neuronalen Netzwerk basiert, um die benötigte Segmentierung zu generieren. Im Gegensatz zu herkömmlichen Techniken soll der Algorithmus die Brust-MRTs gleichzeitig in Hintergrund, Fettgewebe, Drüsengewebe und Muskelgewebe unterteilen. Außerdem soll das neuronale Netzwerk völlig unüberwacht funktionieren, was bedeutet, dass keine gelabelten Trainingsdaten benötigt werden.

Um diese Aufgabe zu erfüllen, wird ein bestehendes unüberwachtes neuronales Netz untersucht, implementiert und modifiziert. Zusätzlich werden Preprocessing und Postprocessing verwendet, um die Segmentierungsqualität zu verbessern. Ein Datensatz von acht MRTs von verschiedenen Patienten wird für die Evaluierung verwendet. Zusätzlich werden zwei Segmentierungen, die von einem Mediziner erstellt wurden, als Grundwahrheiten zur Verifikation im Prozess verwendet.

Wir erreichen eine Gesamtgenauigkeit von 96 % im Vergleich zur Grundwahrheit. Der durchschnittliche Dice-Score für Muskelgewebe beträgt 0,91, für Fettgewebe 0,91 und für Drüsengewebe 0,79.

Eine vollständig unüberwachte, auf neuronalen Netzen basierende Methode zur Segmentierung von Brust-MRTs wurde erfolgreich implementiert. Die Segmentierungen zeigen ähnlich gute Ergebnisse zu anderen momentanen Segmentierungsmethoden, während alle drei Gewebetypen gleichzeitig erkannt werden. Die entwickelte Methode ermöglicht eine robuste automatische biomechanische Modellerstellung zur Bildregistrierung.

Vortragssprache: Englisch

Lecture to the bachelor thesis from Michael Meyling on the Topic Breast Tissue Segmentation of MR Volumes using Unsupervised Neural Networks

Image registration is a promising technique to improve breast cancer diagnosis by combining different modalities. At KIT, an image registration between magnetic resonance imaging (MRI) and X-ray mammography is being developed based on biomechanical models. The classification of tissue in MRI on the pixel-level, which is called segmentation, is required for this technique. An automatic method which is based on a neural network is proposed to provide the needed segmentation. Contrary to common techniques, it is supposed to segment breast MRI data simultaneously into background, fatty tissue, glandular tissue, and muscle tissue. Also, the neural network should function in a fully unsupervised way which means that no labelled data is required.
 To perform this task, an existing unsupervised neural network is investigated, implemented, and modified. Additionally, preprocessing and postprocessing are applied to further improve the segmentation quality. A data set of eight MR volumes from different patients is used for evaluation. Additionally, two segmentations that were labelled by a medical practitioner are utilized as ground truths for verification in the process.
We achieve a total accuracy of 96% compared to the ground truth. The average dice score for muscle tissue is 0.91, for fatty tissue 0.91, and for glandular tissue 0.79.
A fully unsupervised neural network-based method for breast MRI segmentation is successfully implemented. The segmentations show comparable results to other segmentation methods, while concurrently detecting three tissue types. The proposed method can enable robust automated biomechanical model generation.

Lecture language: English