我们展示了在早期乳腺X线摄影中检测结构扭曲的方法。通过使用Gabor滤波器和相位图分析有方向性的结构，以检测放射状组织模式的病灶。对每个病灶通过表征放射状结构的度量指标进行特征提取和分类。这些方法有助于乳腺癌的检测。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
我们展示了基于分析乳腺X线图像中乳腺组织模式方向，用于检测间隔癌病例既往乳腺X线图像中结构扭曲的方法。我们假设，在肿块或肿瘤形成之前，结构扭曲会改变乳腺X线影像中乳腺组织模式的正常方向。在本方法的初始步骤中，使用Gabor滤波器和相位图对给定乳腺X线图像中的定向结构进行分析，以检测呈放射状或交叉状组织模式的节点样位点。随后，利用节点值、分形维数以及一种专门设计用于表征与结构扭曲相关的放射状模式的角度离散度度量，对每个检测到的位点进行特征描述。
我们的方法在测试中使用了一个包含56例间隔癌病例的106幅既往乳腺X线影像和13例正常病例的52幅乳腺X线影像的数据库，采用针对结构扭曲特征提取和模式分类所开发的特征进行分析。 通过 二次判别分析，并采用留一患者法进行验证。根据自由响应受试者操作特征分析的结果，我们的方法能够在乳腺癌临床诊断前约15个月拍摄的乳腺X线摄影中检测出结构扭曲，以每例患者约五个假阳性为代价，达到80%的敏感性。
引言
乳腺癌是影响女性的主要疾病，也是女性癌症相关死亡的第二大原因1,2。为了通过在乳腺癌早期进行有效治疗来提高患者的生存率和预后，需要尽早发现该疾病。在对乳腺癌病例进行回顾性分析时，已在先前获取的乳腺X线筛查图像上观察到异常的细微征象3,4。结构扭曲就是一种可能提示乳腺癌早期阶段的局部乳腺X线征象，但其检测较为困难5,6。相关影像模式被模糊地描述为乳腺正常结构的扭曲，且无明确可见的肿块。结构扭曲可能出现在乳腺肿块或肿瘤形成的初始阶段。我们假设，在乳腺癌被检出之前获取的筛查乳腺X线图像中，可能包含乳腺癌早期的细微征象，特别是结构扭曲。
图1a 显示了一例通过筛查发现的乳腺癌的先前乳腺X线影像。放射科医生（J.E.L.D.）识别出的异常区域以红色矩形标出。该先前乳腺X线影像拍摄于图1b所示的检出影像前24个月。在最初筛查时，该先前影像被判定为无癌症征象。在回顾性分析中，通过与检出影像进行对比，放射科医生标记出与检出癌症部位相关的可疑区域，并在先前影像上以红色轮廓标出。该可疑区域包含结构扭曲的征象，包括毛刺状结构。
计算机辅助诊断（CAD）技术和系统在提高乳腺癌检测敏感性方面具有潜在优势2,7-9。然而，与文献中关于乳腺癌其他征象（如肿块和钙化）检测的大量研究相比，针对无中心肿....
访问受限。请登录或开始试用以查看此内容。
方案
1. 方法概述
在我们的流程中，乳腺X线摄影中潜在的结构扭曲部位可被自动检测 通过 利用Gabor滤波器组分析有向纹理模式 26 相图的建模 11,27检测到的位点随后经过特征或指标提取以表征结构扭曲，构建训练分类器，以及应用模式识别或分类算法等步骤进行处理。该流程可概括为以下步骤 11,20,21:
- 使用自适应阈值分割和形态学开运算对给定的乳腺X线图像中的乳腺部分进行分割。
- 应用一组180个Gabor滤波器，其角度在-90°至+90°范围内均匀分布，通过在每个像素点(i, j)选择响应最强的滤波器的响应值和角度，得到Gabor幅值图像M (i, j)和Gabor角度图像θ (i, j)。
- 利用方向场、梯度场、非极大值抑制（NMS）技术以及附加条件11，将感兴趣的线状结构（CLSs）（如毛刺状结构和纤维腺体组织）与胸肌边缘、实质组织、乳腺边界及噪声等干扰结构区分开来。
- 使用标准差为7像素的高斯滤波器对方向场进行滤波，并以因子4进行下采样，以降低噪声并进一步减少计算需求11,20。
- 在滤波后的方向场上应用线性相位图建模，分析窗口大小为10 × 10像素，空间分辨....
访问受限。请登录或开始试用以查看此内容。
结果
当单独使用每个特征时，节点值、FD 和 HF 这三个特征分别提供的 AUC 值为 0.61、0.59 和 0.64。联合使用这三个特征后性能有所提升，AUC 达到 0.70。结合这三个特征所获得的 FROC 曲线如图 11所示，显示在每例患者 5.6 个假阳性（FPs/patient）时敏感度为 80%，在每例患者 7.5 个假阳性时敏感度为 89%。仅使用节点值时，在每例患者 8.1 个假阳性时敏感度为 80%，在每例患者 13.8 个假阳性时敏感度为 89%。
最终结果中假阳性（FP）的减少情况如图12所示。为便于说明，仅展示了排名最高的六个感兴趣区域（ROI）。括号外的数字表示基于贝叶斯分类器所得判别值的排名；括号内的数字则对应此前基于节点图的排名。将图12与图7中可疑ROI初始检测阶段进行比较，可以明显看出，用于表征结构扭曲的特征在保持良好检测敏感性的同时，相较于节点分析的初始阶段，已显著减少了假阳性.......
访问受限。请登录或开始试用以查看此内容。
讨论
我们提出了一系列用于检测乳腺癌间隔病例先前乳腺X线图像中结构扭曲的先进数字图像处理与模式识别技术，这些技术也被称为机器学习和计算机辅助诊断（CAD）。该方法基于对乳腺X线影像中存在的定向纹理模式的分析。我们的方法（包括在相关研究中提出的若干其他特征）平均可在临床诊断前15个月检测出乳腺癌的早期征兆，在每例患者少于4个假阳性（FPs）的情况下，灵敏度达到80%22,58。
在潜在的临床应用中，由我们方法标记的感兴趣区域（ROI）应被视为放射科医生对乳腺X线摄影相应区域进行仔细检查的提示。关于乳腺癌是否存在，最终决定应由放射科医生作出，其可能会要求进行额外的影像学检查或临床检测，以验证或确认乳腺X线摄影和计算机辅助诊断（CAD）所提示的可疑发现。
尽管我们的方法在当前的回顾性研究中取得了令人鼓舞的结果，但尚不能用于临床。在配备四核 Intel Xeon 处理器（主频 3.0 GHz）和 12 GB 内存的 Dell Precision PWS 490 工作站上，每幅图像的处理时间约为 6 分钟；通过计算机代码.......
访问受限。请登录或开始试用以查看此内容。
披露
作者无任何利益冲突需要披露。
致谢
本工作得到了加拿大自然科学与工程研究理事会（NSERC）的协作研究与培训体验计划（CREATE）资助项目以及发现基金项目的资助。
....访问受限。请登录或开始试用以查看此内容。
参考文献
- Cancer among women [Internet]. , Centers for Disease Control and Prevention (CDC). Available from: http://www.cdc.gov/cancer/dcpc/data/women.htm (20011).
- Tang, J., Rangayyan, R. M., Xu, J., El-Naqa, I., Yang, Y. Computer-aided detection and diagnosis of breast cancer with mammography: Recent advances. IEEE Transactions on Infor....
访问受限。请登录或开始试用以查看此内容。
重印与许可
