Breast masses have become one of the most significant factor which may influence the healthy of women. It makes early detection of breast masses has become an essential topic in medical research. Breast image is a relatively safety method for checking the condition of breast tissue. However, the following problem is the interpretation of breast images heavily depends on the judgment of doctors. It makes medical resources even more strained in areas where has large population density or underdeveloped healthcare conditon. With the advancements in technology the combination of computer science with medical has been a popular field. In particular, the application of machine learning for breast image recognition can assist doctors to make diagnoses, and deep learning further improving the efficiency and accuracy of recognition. However, the use of computer-assisted diagnosis also raises concerns about the patient information security. Malicious attacks on medical system may lead to the leakage of patient data, which may affect patients privacy. Although there are several commercial computer-aided diagnosis software exist, they face notable shortcomings: the model prediction results is opaque, the software are complicated to use and considerations for information security are lacking. In this degree project, we aim to develop a computer-aided diagnosis platform based on 3D Slicer, a popular and widely used open-source medical image analysis software. This platform world focus on the following key improvements: confidence, interpretability and security. To enhance confidence and interpretability, uncertainty calculations and heat map visualization will be integrated. Additionally, an identity management system and image encryption will be implemented to protect the information security for patients. This solution can assist doctors in distinguishing between benign and malignant breast masses of ultrasound breast images while enhancing the confidence of the results through uncertainty values more clearly. Heat map can assist the doctors to classify which area of the image is important for model to determine the results. Besides, the security protection measures will also safeguard the security and privacy of patient information.

Bröstmassor har blivit en av de mest betydande faktorerna som kan påverka kvinnors hälsa. Därför har tidig upptäckt av bröstmassor blivit ett viktigt ämne inom medicinsk forskning. Bröstbild är en relativt säker metod för att kontrollera bröstvävnadens tillstånd. Det finns dock ett problem: tolkningen av bröstbilder beror i hög grad på läkares omdöme. Detta gör att medicinska resurser blir ännu mer ansträngda i områden med hög befolkningstäthet eller underutvecklade sjukvårdsförhållanden. Med teknologiska framsteg har kombinationen av datavetenskap och medicin blivit ett populärt forskningsområde. I synnerhet kan tillämpningen av maskininlärning för bröstbildigenkänning hjälpa läkare att ställa diagnoser, och djupinlärning förbättrar ytterligare effektiviteten och noggrannheten i igenkänningen. Användningen av datorstödd diagnos väcker dock oro kring patientsäkerhet. Skadliga attacker på medicinska system kan leda till läckage av patientdata, vilket kan påverka patienternas integritet. Trots att det finns flera kommersiella datorstödda diagnossystem finns det märkbara brister: modellens prognosresultat är ogenomskinliga, programvarorna är komplicerade att använda och det saknas hänsyn till informationssäkerhet. I detta examensarbete syftar vi till att utveckla en datorstödd diagnosplattform baserad på 3D Slicer, en populär och allmänt använd öppen källkod för medicinsk bildbehandling. Denna plattform kommer att fokusera på följande viktiga förbättringar: förtroende, tolkbarhet och säkerhet. För att förbättra förtroende och tolkbarhet kommer osäkerhetsberäkningar och värmekartvisualisering att integreras. Dessutom kommer ett identitetshanteringssystem och bildkryptering att implementeras för att skydda patientinformationens säkerhet. Denna lösning kan hjälpa läkare att särskilja mellan godartade och maligna bröstmassor i ultraljudsbilder av bröstet, samtidigt som den stärker förtroendet för resultaten genom osäkerhetsvärden som är mer tydliga. Värmekartan kan hjälpa läkarna att klassificera vilket område av bilden som är viktigt för modellen att avgöra resultaten. Dessutom kommer säkerhetsåtgärder att skydda säkerheten och integriteten för patientinformation.