Breast cancer is the most common type of cancer in women. In clinical studies of breast cancer, it is known that masses appear as asymmetric densities between the left and the right breasts, which show different breast tissue structures. Based on the clinical fact, most of researches focused on the development of hand-crafted bilateral features for classifying breast masses by extracting the asymmetric information in 2-D mammograms. However, in 3-D digital breast tomosynthesis (DBT), due to the increase of image data, more effective bilateral features are needed to detect masses. In this paper, a new latent feature representation is proposed, which is boosted by multi-view long-term recurrent reconstructed slice learning for characterizing masses in bilateral analysis of DBT. The proposed method is designed to encode mass characteristics in two parts: a) bilateral feature representation learning, and b) depth directional long-term recurrent learning. First, bilateral asymmetric characteristics of masses in each DBT slice are encoded as a bilateral feature representation by the proposed Siamese architecture of convolutional neural network (CNN). In the architecture, an objective function is devised to effectively learn asymmetric characteristics between the given region-of-interest (ROI) in main view and the corresponding ROI in contralateral view. Then, depth directional characteristics of masses among the learned bilateral feature representations are encoded by the proposed depth directional long-term recurrent learning. In addition, to further improve the class discriminability of latent feature representation, two objective functions have been devised. Experimental results have demonstrated that the proposed latent feature representation achieves a higher level of classification performance in terms of the receiver operating characteristic (ROC) curves and the area under the ROC curve values compared to the performance with feature representation learned by conventional CNN as well as hand-crafted features.
유방암은 여성 암 중 가장 많은 비율을 차지하는 것으로 알려져 있다. 임상에서 유방암은 좌우 유방 조직의 비대칭성으로 관찰된다. 이에 기반하여, 2차원 맘모그램에서 좌우 유방의 비대칭 정보를 특징화하여 위양성을 감소 시키기 위한 연구가 수행되었다. 하지만 3차원 디지털 유방 단층촬영술의 경우, 영상 데이터의 증가로 인해 위양성을 감소시키기 위해 더 효과적인 양측 특징 표현의 개발이 매우 중요하다. 본 학위논문에서는 디지털 유방 단층촬영영상에서 양측유방 분석을 위한 병변의 잠재적 특징을 학습하기 위한 다중뷰 장기적 재귀 단면영상 학습 방법을 제안하였다. 제안 방법은 디지털 유방 단층촬영영상의 양측 유방 분석에서 종괴의 특징을 두 단계의 학습 방법을 통해 학습한다. 우선, '양측 특징 표현 학습' 단계에서 디지털 유방 단층촬영영상의 각 단면영상에서 종괴의 비대칭 특성을 샴 구조 기반 콘볼루션 신경망을 통해 양측 특징 표현으로 학습한다. 학습된 양측 특징 표현의 깊이 방향 특성을 재귀 신경망 기반 '깊이 방향 장기적 재귀 학습'을 통해 학습한다. 또한, 앞의 두 학습 방법에서 학습된 특징 표현의 분별력을 높이기 위한 목적 함수들이 제안되었다. 임상 데이터를 이용한 실험을 통해 제안 방법으로 학습된 특징 표현이 기존 방법 대비 우수한 위양성 감소 성능을 나타냄을 보였다.