Name: 在检测之前乳房X光检查建筑失真通过分析 (视频) | JoVE Journal
Uploaded: 2013-08-30T12:00:00.000+00:00
Duration: 13 min 44 s
Description: 学习使用Gabor滤波器和相位肖像分析检测乳腺X线摄影中的结构扭曲，以识别早期乳腺癌的细微征象。该方法通过提取定向纹理特征和节点模式，辅助放射科医生提高诊断准确性。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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。

作者无任何利益冲突需要披露。

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...

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，针对无中心肿块存在的结构扭曲检测的研究报道较少10-17。现有的商用CAD系统在检测结构扭曲方面的性能表现较差18。对筛查检出或间隔期癌症病例的既往乳腺X线摄影中结构扭曲检测的研究3,4,19-22，有助于制定乳腺疾病早期检测与治疗的策略，并改善患者的预后23。
实验图像的制备
实验使用了158张乳腺X线影像，包括56名被诊断为乳腺癌的个体的106张既往乳腺X线片，以及13名正常个体的52张影像。本研究的伦理批准由卡尔加里大学医学生物伦理办公室的联合健康研究伦理委员会以及卡尔加里地区卫生局批准。影像资料来自“筛查测试：阿尔伯塔省乳腺癌早期检测项目”21,24,25。
在筛查项目之外被诊断出癌症之前，于筛查项目最后一次计划就诊时获取的乳腺X线图像被标记为间隔癌病例的既往乳腺X线图像。相应的诊断性乳腺X线图像不可获取。在106例既往乳腺X线图像中，除两例外，其余均在筛查项目进行采集和分析时被判定为无任何乳腺癌征象；对应另外两例乳腺X线图像的个体已被转诊进行活检。癌症诊断与既往乳腺X线检查之间的时间间隔为1.5个月至24.5个月，平均为15个月，标准差为7个月。数据库中所有可获取的间隔癌病例的既往乳腺X线图像均已被纳入本研究，但有六幅图像因无法识别可疑区域而被排除。
采用Lumiscan 85激光扫描仪（Lumisys，美国加利福尼亚州桑尼维尔）将胶片乳腺X线图像以50 μm的空间分辨率和每像素12位的灰度分辨率进行数字化。一位专注于乳腺影像学的资深放射科医生（J.E.L.D.）回顾了本研究中106例隐匿性乳腺癌病例的既往乳腺X线图像，并根据后续影像学检查或活检报告，或通过仔细阅片，以矩形框标出可疑的结构扭曲区域。在本研究所用数据集的106幅既往乳腺X线图像中，38幅图像存在可见的结构扭曲，其余68幅图像则包含可疑或无明显结构扭曲的区域。每幅既往乳腺X线图像中仅包含一个由放射科医生用矩形框标出的结构扭曲部位。放射科医生标记的106个可疑区域的平均宽度、高度和面积分别为56 mm、39 mm和2,274 mm2，标准差分别为11.8 mm、11.6 mm和1073.9 mm2。

在既往乳腺x线摄影中检测结构扭曲 通过 定向模式分析

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

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。

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...

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。

在既往乳腺X线摄影中检测结构扭曲 通过 定向模式分析

我们展示了基于对……方向性分析的间隔癌病例既往乳腺X线摄影中结构扭曲检测的方法

本实验的总体目标是检测乳腺癌的细微征象，特别是乳腺X线摄影中的结构扭曲。首先对给定的乳腺X线图像进行预处理，以识别乳腺区域并去除图像中的伪影；然后通过应用一组Gabor滤波器来检测图像中的方向性结构，从而实现上述目标。接下来，利用相位图分析方向场，以检测可能提示结构扭曲存在的节点样模式。最后一步是通过提取表征结构扭曲的特征或度量指标，对所有检测到的区域进行分析，以帮助排除假阳性报警。最终，将确认的可疑区域呈现给放射科医生以供进一步分析，并通过与活检等临床检测结果的比较，评估该流程的效率。与现有的计算机辅助肿块检测等方法相比，我们的技术主要优势在于能够检测出无明显中心肿瘤或肿块存在的细微结构扭曲征象。该技术的应用意义延伸至乳腺癌的诊断与治疗，有助于乳腺癌早期阶段的诊断，从而改善治疗的预后效果。该方法的可视化演示至关重要。图像处理步骤较为复杂，其中包含多个数学上较为复杂的精细步骤。本方案的步骤结合使用了定制软件和封装软件。首先，使用高斯滤波器对数字化乳腺X线图像进行下采样。然后，采用Tzu的自适应阈值法对图像中的乳腺区域进行分割，并确定乳腺的大致边界。接下来，使用Gabor滤波器提取具有方向性的模式。Gabor滤波器是一种具有优选方向的各向异性带通滤波器。该实值Gabor滤波器函数的方向为负90度。σ 表示沿相应轴的标准差，F₀ 为调制频率。其他角度的正弦滤波器可通过坐标变换获得。该动画显示了 Gabor 滤波器的脉冲响应（左侧）及其频谱或频率响应（右侧），注意当方位角从 -90 度变化到 180 度时，响应的变化情况，其中右图中的 σₓ 和 F₀ 以 τ 表示，τ 为高斯项的半高全宽。同时将 sigma Y 表示为 sigma X 的倍数 L。现在，tau 和 L 控制滤波器的中心频率和带宽，以及在此动画中被滤波的定向成分的宽度和长度。在保持所有其他参数不变的情况下，改变 Gabor 滤波器中的 tau 值。随着 tau 增大，Gabor 函数在空间域中的宽度增加，而频率响应的中心频率降低。该动画展示了参数 L 对 Gabor 滤波器的脉冲响应和频谱响应的影响。在实际应用中，必须选择合适的 tau 和 L 值，并使用多个滤波器。本视频展示了将 180 个 Gabor 滤波器应用于一幅包含多个方向结构的植物测试图像的过程。显然，Gabor 滤波器响应能够捕获图像中在不同角度下存在的方向性成分。在每个像素处，所有滤波器角度中的最大响应被保存为一幅单一图像，称为 Gabor 幅值响应。对应的 Gabor 滤波器角度则被保存在另一幅图像中，称为 Gabor 角度响应。为乳腺X线摄影选择合适的tau和L值。接着，将一组180个实值Gabor滤波器应用于图像，这些滤波器在负90度至正90度范围内均匀分布。每个滤波器提取其对应空间中乳腺X线图像的定向成分。对每张乳腺X线图像的每个像素，使用域方向方法生成gab或幅值响应图像，该图像取每个像素处的最大幅值响应。最终的gab或幅值响应图像中，与具有方向性特征的区域相关的像素呈现高值，从而突出显示具有优选方向特性的组织结构。灰度值相近且无明显方向性纹理的区域在结果中不会被保留。此外，对每张乳腺X线图像，再次使用每个像素点的最大响应生成 gab 或角度响应图像。该图像给出了每个像素点处主导方向性模式的角度。此图像中的角度与基础组织结构的角度相一致。此处并列显示了Gabor幅值响应和Gabor角度响应。矩形框标出了由放射科医生确定的兴趣区域。通过对该兴趣区域进行放大显示，可提供更详细的图像信息。下一步是利用Gabor幅值响应图像，结合非极大值抑制技术，识别感兴趣的曲线状结构。其中，以白色标记的像素是被选中的核心像素，可能指示小梁结构或纤维腺组织。现在，需去除与强梯度相关的核心像素，以防止对结构的错误识别。这将得到感兴趣的曲线线性结构。以下是去除与强梯度相关像素前后同一区域的细节。完成此操作后，使用高斯滤波器对取向场进行滤波，并进行下采样以减少噪声和降低必要的计算量。此处展示了相位图分析中的投票过程。左侧显示原始乳腺X线图像，右侧显示相应的Gabor角度响应。小的蓝色窗口表示正在原始图像窗口上移动的分析窗口。在节点图中未产生投票的位置将被跳过，且不会在视频窗口中显示。在节点图中产生投票的位置，会在操作结束时于右侧相应位置用绿色星号标记。最终，节点图包含一组表示投票位置的点或投票分布，通常在具有发散或汇聚方向性模式的区域会集中出现较多的投票。随后应用平滑或累积滤波器，以获得该节点图的滤波版本。在滤波后的节点图中检测局部峰值，以辅助切割感兴趣区域进行进一步分析。现在根据节点图中各峰值的数值进行排序。完成排序后，以节点图中相应峰值为中心，从原始图像中切割出感兴趣区域；对于位于边缘的节点，创建的感兴趣区域应尽可能包含指定峰值位置处可获得的全部图像数据。首先选择一个感兴趣区域，对其进行预处理，然后执行二维傅里叶变换。图中显示的是功率谱转换为频率和角度的极坐标后的对数形式。横轴所示角度范围从0度到179度。垂直轴上的径向频率范围从 0.02 毫米的负一次方到 2.5 毫米的负一次方，左上角对应 0.02 毫米的负一次方和 0 度。现在将二维频谱通过极坐标系下对每个空间频率值的角度方向进行积分，转换为关于空间频率的一维函数。以下是该函数在对数尺度上的绘图，排除低频和高频区域后，应用线性回归以确定拟合直线的斜率。该斜率是对分数布朗运动模型中幂律因子 beta 的估计值。使用此方法计算分形维数以求得熵值。返回到极坐标系下的二维谱图，通过对空间频率值进行积分，将其转换为关于角度的一维函数。对于每个角度值，将函数归一化，使其总和为一。然后计算结果的熵。此时，每组数据均有三个测量值。自动检测感兴趣区域、节点值、分形维数和熵。利用这些参数表征与结构扭曲相关的推测性模式，并将其与正常组织模式区分开来。使用由放射科医生分类的感兴趣区域来构建分类器。此处以特征空间展示了训练过程中从标注图像中裁剪区域的分类结果，其中绿色代表假阳性，蓝色代表真阳性。同时展示了所训练分类器对当前测试案例的输出结果，其中黑色代表假阳性，红色代表真阳性。在此图中，黑色线表示自由响应受试者工作特征曲线。当仅使用节点值时，在每名患者有 8.1 个假阳性的情况下，其敏感度为 80%。红色曲线表示同时使用节点值、熵和分形维度这三个特征时，在 80% 敏感度下的结果。每名患者会产生 5.6 个假阳性结果。在该图像中，显示了排名最高的六个感兴趣区域。括号外的数字表示根据贝叶斯分类器得出的排名。括号内的数字对应于先前的节点图排序。绿色矩形代表真正的阳性感兴趣区域。在分析的最后阶段，黄色矩形代表假阳性结果。红色矩形是放射科医生识别出的结构扭曲区域。在排序较高的区域中，有三个与放射科医生标记的可疑结构扭曲区域重叠，表明该方法成功实现了检测。在进一步优化算法和程序后，该方法可通过将配备我们软件和适当显示系统的计算机整合到放射科医生的工作流程中，应用于临床乳腺X线摄影检查。遵循我们的操作流程，可进一步开发其他方法，以回答更多问题，例如乳腺结构扭曲和乳腺肿瘤随时间发展的机制。我们操作流程所得结果可融入放射学实践，从而实现乳腺癌的早期诊断，进而改善治疗效果。

detection-architectural-distortion-prior-mammograms-via-analysis

Research

科研

JoVE Journal

Medicine

医学

在检测之前乳房X光检查建筑失真通过分析

包括主成分分析（PCA）在内的多变量技术已被用于识别功能脑成像中区域变化的特征模式。我们开发了一种算法，用于识别神经退行性疾病诊断、疾病进展评估以及患者群体治疗效果客观评价中的可重复性网络生物标志物。...

利用神经影像数据识别与疾病相关的空间协变模式

我们提出了一种用于三维（3D）组织学体积重建的图像配准方法，该方法有助于在由细胞构成的宏观结构水平上研究器官的变化。利用该方法，我们研究了野生型与Igfbp7基因敲除型乳腺组织之间的三维结构差异。...

三维组织学图像体积重建及其在小鼠乳腺研究中的应用

我们介绍了如何利用磁共振成像获取乳腺扩散张量的参数图和矢量图。成像后处理的方案及最终输出结果经过优化，可用于追踪乳腺结构特征并检测乳腺恶性病变。...

追踪乳腺结构特征并利用磁共振扩散张量成像检测乳腺癌

本文介绍了用于内窥镜手术过程中对内窥镜进行术中液体浸没环境下的光学畸变校准的、可灭菌的定制相机校准靶标的设计与开发。...

可灭菌医用级液体浸没式胎儿镜光学畸变校准靶

本文提供了一种基于细胞三维形态来鉴别健康与病变细胞的工作流程。我们描述了如何利用基于三维表面生成的二维投影轮廓，训练自组织映射网络，从而实现对所研究细胞群体的客观聚类。...

基于形态学的健康与病变细胞区分方法：利用傅里叶变换与自组织映射

本文介绍了一种测量从口内扫描仪获取的全牙弓数字印模各部分变形程度的实验方案，该方案使用具有标准几何结构的3D打印金属模型。...

测量光学牙科印模的全牙弓变形

本文介绍的方法结合微图形化技术与定量成像，以揭示哺乳动物细胞培养物中的空间组织结构。该技术易于在标准的细胞生物学实验室中建立，为体外研究模式形成提供了一个可操作的实验系统。...

利用微图形技术和定量成像技术绘制哺乳动物细胞的自组织空间结构

本研究的目的是开发一种新型的肺结节三维数字模型，该模型可作为医生与患者之间沟通的桥梁，同时也是用于诊断前评估和预后评价的前沿工具。...

一种用于肺结节诊断与治疗的三维数字模型

本文深入描述了一种基于显微计算机断层扫描技术的方法，用于对小鼠颅面骨进行三维模型的分割与测量，相较于现有方法，可更准确地评估小鼠颅面骨的发育情况。...

利用三维显微计算机断层扫描分析小鼠颅颌面畸形

本方案描述了用于乳腺成像的微波成像设备的成像操作流程。...

微波乳腺成像的临床影像

学习使用Gabor滤波器和相位肖像分析检测乳腺X线摄影中的结构扭曲，以识别早期乳腺癌的细微征象。该方法通过提取定向纹理特征和节点模式，辅助放射科医生提高诊断准确性。

在既往乳腺X线摄影中检测结构扭曲通过定向模式分析

探索更多视频

在既往乳腺X线摄影中检测结构扭曲 通过 定向模式分析

探索更多视频

在既往乳腺X线摄影中检测结构扭曲通过定向模式分析