Lisa Pitzl Lisa Pitzl Jakob Doppler Jakob Doppler Andreas Jakl Andreas Jakl Einleitung: Brustkrebs ist nach wie vor ein wichtiges globales Gesundheitsproblem, wobei die Früherkennung eine entscheidende Rolle bei der Verbesserung der Behandlungsergebnisse spielt. Die Entwicklung eines neuronalen Faltungsnetzwerks zur automatischen Klassifizierung von Mammographie-Bildern hat das Potenzial, die diagnostische Genauigkeit und Wirksamkeit der Brustkrebsdiagnose zu verbessern. Methodik: Diese Arbeit befasst sich mit der Notwendigkeit der Entwicklung und Evaluierung eines neuronalen Faltungsnetzwerks für die Klassifizierung von Mammographie. Das Netzwerk wurde von Grund auf selbst entwickelt. Der Datensatz mit Mammographie-Bildern von 500 Patientinnen und Patienten aus der radiologischen Abteilung des Ordensklinikums Linz GmbH Barmherzige Schwestern wurde gefiltert und pseudonymisiert. Die Daten waren initial gemäß der Breast Imaging-Reporting and Data System kategorisiert. Die Modelle wurden für binäre und Mehrklassen-Klassifikationsaufgaben optimiert. Die Leistungsbewertung erfolgt anhand von Genauigkeits- und Verlustmetriken, Grenzwertoptimierungskurve und der Konfusionmatrix. Ergebnisse: Die Ergebnisse zeigten, dass das Modell des neuronalen Faltungsnetzwerks eine vielversprechende Leistung bei der Unterscheidung zwischen gutartigen und bösartigen Mammographie-Bildern zeigt. Die Validierungs- und Testgenauigkeit betrug 69,49 % bzw. 70,13 %. Die Erweiterung des Modells auf drei bzw. fünf Klassen brachten einige Herausforderungen mit sich. Die Validierungsgenauigkeit variierte, und die Testgenauigkeit blieb relativ niedrig. Das Vorhandensein von Artefakten in Mammographie-Bildern und die Variabilität zwischen den Klassen der Breast Imaging-Reporting and Data System Klassifizierung wurden als Schlüsselfaktoren identifiziert, die die Leistung des Modells beeinflussen. Schlussfolgerung: Während die Modelle in den Trainingsdatensätzen eine zufriedenstellende Leistung zeigten, war die Effektivität bei den ungesehenen Daten begrenzt, was auf mögliche Überanpassungen und Generalisierungsprobleme hinweist. Die Arbeit unterstreicht die Bedeutung kontinuierlicher Forschung und Innovation bei der Entwicklung von auf künstlicher Intelligenz basierenden Diagnosewerkzeugen in der Medizin und insbesondere im radiologischen Bereich für die Erkennung und Klassifizierung von Mammographie-Bildern. Introduction: Breast cancer remains a significant global health concern, with early detection playing a crucial role in the improvement of patient outcomes. The deployment of a convolutional neural network for automated classification of mammography images has the potential to enhance the diagnostic accuracy as well as the efficacy of breast cancer diagnosis. Methods: This thesis addresses the necessity of developing and evaluating a convolutional neural network for classifying mammography images. The network has been developed from the ground up personally. The dataset considering mammography images of 500 patients from the radiology department of the Ordensklinikum Linz GmbH Barmherzige Schwestern was filtered and pseudonymized. The data was initially categorized according to the Breast Imaging-Reporting and Data System classification. Therefore, the models were optimized for binary and multi-class classification tasks. The performance evaluation is based on accuracy, loss, receiver operating characteristic and the confusion matrix. Results: The results demonstrated show that the convolutional neural network model presents promising performance in distinguishing between benign and malignant mammographic images. The validation and test accuracies were 69.49% and 70.13%, respectively. However, challenges were observed when extending the model to three and five classes. The validation accuracies varied, and the test accuracies remained relatively low. The presence of artefacts in mammography images and the variability between the Breast Imaging-Reporting and Data System classification classes were identified as key factors affecting model performance. Conclusion: While the models delivered satisfactory performance on training datasets, the effectiveness on unseen data was limited, indicating potential overfitting and generalization challenges. The thesis emphasizes the significance of continuous research and innovation in the development of artificial intelligence-based diagnostic tools in medicine, and especially in the radiological sector especially for the recognition and classification of mammography images. Einleitung: Brustkrebs ist weltweit ein großes Gesundheitsproblem. Frühe Erkennung kann die Behandlung verbessern. Ein spezielles Computerprogramm, ein neuronales Faltungsnetzwerk, könnte helfen, Mammographie-Bilder genauer zu analysieren und Brustkrebs besser zu diagnostizieren. Methodik: Im Zuge dieser Arbeit wurde ein Programm – neuronales Faltungsnetzwerk – mit Mammographie-Bildern von 500 Patientinnen und Patienten aus einem Krankenhaus in Linz entwickelt und getestet. Die Bilder wurden anonymisiert und in verschiedene Kategorien eingeteilt. Das Programm wurde darauf trainiert, gutartige (nicht krebsartig) und bösartige (krebsartig) Bilder zu unterscheiden und auch komplexere Klassifikationen vorzunehmen. Die Leistung des Programms wurde anhand von Genauigkeit und Fehlern bewertet. Ergebnisse: Das Programm konnte gutartige und bösartige Bilder mit einer Genauigkeit von etwa 70 % richtig erkennen. Bei komplexeren Klassifikationen gab es mehr Schwierigkeiten und die Genauigkeit war geringer. Schlussfolgerung: Das Programm funktionierte gut auf den Trainingsdaten, aber weniger gut auf neuen, ungesehenen Daten. Das deutet auf Überanpassung hin, bei der das Programm die Trainingsdaten zu genau lernt, aber nicht gut auf andere Daten übertragen kann. Es ist wichtig, weiter zu forschen und solche Programme zu verbessern, um die medizinische Diagnostik, besonders bei der Brustkrebsfrüherkennung, zu unterstützen. PDFDocument eng 2025-06-02T11:25:48.877270Z Mammographie Neuronales Faltungsnetzwerk Klassifikation Brustkrebs mammography convolutional neural network classification Breast cancer 1926969 b application/pdf http://rightsstatements.org/vocab/InC/1.0/