Breast Cancer MRI Segmentation and Visualisation

Abstract

Abstract : With 685,000 deaths, breast cancer was the leading cause of cancer mortality worldwide among women in 2020. Fortunately, breast cancer imaging techniques play a crucial role in reducing this excessive mortality rate. Of the numerous imaging modalities available, Magnetic Resonance Imaging (MRI) has emerged as a particularly potent tool. Its superiority becomes evident when compared to the occasionally ambiguous results provided by mammography and CT scans, which sometimes leave clinicians in doubt or even lead to misinterpretations. This MasterŠs thesis aims to provide a clear overview of how machine learning and Deep Learning methods are helping in the detection and visualization of breast cancer. Through a state of the art weŠll dive into the latest methods that have been developed and explore their effectiveness in identifying and understanding this disease. Through this research, we hope to offer insights into the present state and future potential of using Deep Learning in breast cancer diagnosis.***

Résumé : En 2020, avec 685 000 décès, le cancer du sein était la principale cause de mortalité par cancer chez les femmes dans le monde. Heureusement, les techniques dŠimagerie du cancer du sein jouent un rôle essentiel dans la réduction de ce taux de mortalité excessif. Parmi les nombreuses modalités dŠimagerie disponibles, lŠImagerie par Résonance Magnétique (IRM) sŠest imposée comme un outil particulièrement efficace. Sa supériorité est manifeste lorsquŠon la compare aux résultats parfois ambigus fournis par la mammographie et les scanners, qui peuvent parfois laisser les cliniciens dans le doute ou même conduire à des interprétations erronées. Ce mémoire de Master vise à offrir un aperçu clair de la manière dont les méthodes dŠapprentissage automatique et dŠapprentissage profond contribuent à la détection et à la visualisation du cancer du sein. À travers un état de lŠart, nous plongerons dans les dernières méthodes développées et explorerons leur efficacité pour identiĄer et comprendre cette maladie. Par cette recherche, nous espérons fournir des éclairages sur lŠétat actuel et le potentiel futur de lŠutilisation de lŠapprentissage profond dans le diagnostic du cancer du sein.