Erkennung von Architektur Distortion in Vor Mammographie Über Analyse der Oriented Patterns

Das übergeordnete Ziel dieses Verfahrens ist es, subtile Anzeichen von Brustkrebs zu erkennen, insbesondere architektonische Verzerrungen in Mammographien. Dies wird erreicht, indem zunächst eine bestimmte Mammographie vorverarbeitet wird, um den Brustteil zu erkennen und Artefakte im gegebenen Mammographiebild zu entfernen. Der zweite Schritt besteht darin, orientierte Strukturen im Bild zu erkennen, indem eine Reihe von Gabor-Filtern angewendet wird.

Als nächstes wird das Orientierungsfeld mit Hilfe von Phasenporträts analysiert, um knotenartige Muster zu erkennen, die auf das Vorhandensein von architektonischer Verzerrung hinweisen könnten. Der letzte Schritt besteht darin, alle erkannten Bereiche zu analysieren, indem Attribute oder Kennzahlen extrahiert werden, die die architektonische Verzerrung charakterisieren und bei der Ablehnung von Fehlalarmen helfen. Letztendlich werden die bestätigten verdächtigen Bereiche dem Radiologen zur weiteren Analyse vorgelegt, und die Wirksamkeit des Verfahrens wird im Vergleich zu den Ergebnissen klinischer Tests wie der Biopsie bewertet.

Der Hauptvorteil unserer Technik gegenüber bestehenden Methoden wie der computergesteuerten Detektion von Massen besteht darin, dass wir in der Lage sind, subtile Anzeichen von architektonischer Verzerrung zu erkennen, ohne dass ein zentraler Tumor oder eine zentrale Masse erkennbar ist. Die Auswirkungen dieser Technik erstrecken sich auf die Diagnose und Behandlung von Brustkrebs. Es erleichtert die Diagnose von Brustkrebs im Frühstadium und verbessert damit die Prognose der Behandlung.

visuelle Demonstration dieser Methode ist von entscheidender Bedeutung. Die Bildverarbeitungsschritte sind schwierig. Es gibt mehrere komplizierte Schritte, die mathematisch komplex sind.

Die Schritte dieses Protokolls werden mit einer Kombination aus benutzerdefinierter und verpackter Software ausgeführt. Beginnen Sie den Eingriff mit einer digitalisierten Mammographie, die mit einem Gaußschen Filter entnommen wurde. Segmentieren Sie die Brustregion im Bild mit der adaptiven Schwellenwertmethode von tzu und identifizieren Sie die ungefähre Grenze der Brust.

Extrahieren Sie als Nächstes orientierte Muster mit Gabor-Filtern. Ein Gabor-Filter ist ein anisotroper Bandpassfilter mit einer bevorzugten Ausrichtung. Diese echte Gabor Filterfunktion ist im Winkel minus 90 Grad ausgerichtet.

Die Sigmas sind Standardabweichungen entlang der jeweiligen Achsen, und der F-Knoten ist die Frequenz der Modulation. Sinusförmige Filter in anderen Winkeln werden mithilfe einer Koordinatentransformation erhalten. Diese Animation zeigt die Impulsantwort eines Gabor-Filters auf der linken Seite und den Spektral- oder Frequenzgang auf der rechten Note, die sich ändert, wenn der Orientierungswinkel bei minus 90 Grad beginnt und durch 180 Grad rechten Sigma X- und F-Knoten in Bezug auf Tau geht, die volle Breite bei halbem Maximum des Gaußschen Termes.

Schreibe auch sigma Y als ein Vielfaches von Sigma X.Nun steuern tau und L die Mittenfrequenz und Bandbreite des Filters sowie die Breite und Länge der zu filternden orientierten Komponenten in dieser Animation. Der Wert von Tau im Gabor-Filter wird variiert, während alle anderen Parameter konstant bleiben. Wenn Tau erhöht wird, wird die Breite der Gabor-Funktion im Raumbereich vergrößert und die Mittenfrequenz des Frequenzgangs verringert.

Diese Animation zeigt die Auswirkung des Parameters L auf die Impulsantwort und die spektrale Empfindlichkeit eines Gabor-Filters. Für praktische Anwendungen müssen geeignete Werte für Tau und L gewählt und mehrere Filter verwendet werden. Dieses Video zeigt die Anwendung von 180 Gabor-Filtern auf ein Testbild einer Pflanze, deren Teile in mehreren Winkeln ausgerichtet sind.

Es ist offensichtlich, dass die Reaktion des Gabor-Filters die im Bild vorhandenen orientierten Komponenten aus verschiedenen Winkeln erfasst. Die maximale Reaktion an jedem Pixel über alle verwendeten Filterwinkel wird in einem einzigen Bild gespeichert, das als Gabor-Betragsantwort bezeichnet wird. Der entsprechende Winkel des Gabor-Filters wird für jedes Pixel in einem anderen Bild gespeichert, das als Gabor-Winkelantwort bezeichnet wird.

Wählen Sie geeignete Werte von Tau und L für die Mammographie. Wenden Sie als Nächstes eine Bank von 180 echten Gabor-Filtern gleichmäßig über den Bereich von minus 90 Grad bis plus 90 Grad auf das Bild an. Jeder Filter extrahiert die orientierten Komponenten der Mammographie in den entsprechenden Raum.

Domänenrichtung für jede Mammographie Erzeugen Sie ein Gab- oder Magnituden-Antwortbild unter Verwendung der höchsten Magnitudenantwort an jedem Pixel. Das endgültige Gab- oder Magnitudenantwortbild zeigt hohe Werte für Pixel, die sich auf orientierte Muster beziehen, und hebt somit Gewebestrukturen mit bevorzugten Richtungseigenschaften hervor. Bereiche mit nahezu gleichen Graustufen und ohne orientierte Textur werden im Ergebnis nicht beibehalten.

Generieren Sie außerdem für jede Mammographie ein Gab- oder Winkelantwortbild, wobei Sie die höchste Reaktion an jedem Pixel verwenden. Dieses Bild gibt den Winkel des dominanten orientierten Musters an jedem Pixel an. Die Winkel in diesem Bild stimmen mit den Winkeln der darunter liegenden Gewebestrukturen überein.

Hier werden der Gabor-Betragsantwort und der Gabor-Winkelantwort nebeneinander dargestellt. Die Rechtecke zeigen einen von einem Radiologen identifizierten Bereich von Interesse. Weitere Details liefern diese vergrößerten Ansichten der interessierenden Region.

Der nächste Schritt besteht darin, das Gabor-Magnitudenreaktionsbild zu verwenden, um kurvenlineare Strukturen von Interesse mit der nicht-maximalen Suppressionstechnik zu identifizieren. Dabei handelt es sich bei den weiß markierten Pixeln um die ausgewählten Kernpixel, bei denen es sich um potentielle Indikatoren oder Spikulen oder Fibrodrüsengewebe handelt. Entfernen Sie nun Kernpixel, die mit einem starken Farbverlauf verbunden sind, um eine fehlerhafte Identifizierung von Strukturen zu verhindern.

Daraus ergeben sich die interessierenden kurvenlinearen Strukturen. Hier finden Sie Details desselben Bereichs vor und nach dem Entfernen von Pixeln, die mit einem starken Verlauf verbunden sind. Sobald dies erledigt ist, filtern Sie das Orientierungsfeld mit einem Gaußschen Filter und einer Abtastung nach unten, um das Rauschen zu reduzieren und den erforderlichen Rechenaufwand zu reduzieren.

Das Stimmabgabeverfahren in der Phasenporträtanalyse ist hier dargestellt. Links ist die ursprüngliche Mammographie dargestellt und rechts links die zugehörige Gabor-Winkelreaktion. Das kleine blaue Fenster zeigt, wie das Analysefenster über das ursprüngliche Bildfenster geschoben wird.

Positionen, die dazu führen, dass in der Knotenzuordnung keine Stimme abgegeben wird, werden übersprungen und nicht im Videofenster angezeigt. Positionen, die dazu führen, dass eine Stimme in der Knotenkarte abgegeben wird, sind mit einem grünen Sternchen an der entsprechenden Position rechts am Ende des Vorgangs markiert, die Knotenkarte enthält eine Karte der abgegebenen Punkte oder Stimmen, es wird erwartet, dass eine relativ große Anzahl von Stimmen an Orten abgegeben wird, die divergierende oder konvergierende orientierte Muster enthalten. Ein Glättungs- oder Akkumulationsfilter wird angewendet, um eine gefilterte Version der Knotenzuordnung zu erhalten.

Lokale Peaks werden in der gefilterten Knotenkarte erkannt, um das Schneiden von interessanten Regionen für die weitere Analyse zu erleichtern. Ordnen Sie nun die Peaks in der Knotenkarte nach ihren Werten an. Sobald dies erledigt ist, schneiden Sie die interessierenden Bereiche aus dem Originalbild aus, die auf den entsprechenden Peaks in der Knotenkarte zentriert sind, für Knoten an den Rändern, und erstellen Sie interessante Bereiche, die so viele Bilddaten enthalten, wie an der angegebenen Peakposition verfügbar sind.

Beginnen Sie mit der Charakterisierung, indem Sie einen Interessenbereich auswählen, ihn vorverarbeiten und eine zweidimensionale Foyer-Transformation durchführen. Hier ist der Logarithmus des Leistungsspektrums dargestellt, nachdem es in Polarkoordinaten von Frequenz und Winkel umgewandelt wurde. Der in der horizontalen Achse angezeigte Winkel reicht von null Grad bis 179 Grad.

Die radiale Frequenz auf der vertikalen Achse reicht von 0,02 Millimetern bis zur negativen Achse über 2,5 Millimeter bis zur negativen Achse mit der oberen linken Ecke, 0,02 Millimeter bis zur negativen Eins und null Grad. Transformieren Sie nun das zweidimensionale Spektrum in eine eindimensionale Funktion der Ortsfrequenz. Durch die Integration des Leistungsspektrums in Polarkoordinaten über die Winkel für jeden Wert der Ortsfrequenz.

Hier ist die Funktion auf einer logarithmischen Skala dargestellt, schließen Sie Bereiche mit niedriger und hoher Frequenz aus und wenden Sie die lineare Regression an, um die Steigung der Anpassungslinie zu identifizieren. Diese Steigung ist eine Schätzung des Potenzgesetzfaktors Beta des gebrochenen Brownies. In Bewegung befindliches Modell.

Verwenden Sie dies, um die fraktale Dimension zu berechnen und die Entropie zu berechnen. Kehren Sie zum zweidimensionalen Spektrum in Polarkoordinaten zurück. Wandeln Sie es in eine eindimensionale Funktion des Winkels um, indem Sie es über die Ortsfrequenzwerte integrieren.

Normalisieren Sie die Funktion für jeden Wert des Winkels so, dass sie sich zu eins summiert. Berechnen Sie dann die Entropie des Ergebnisses. An dieser Stelle gibt es für jede drei Kennzahlen.

Automatisch erkannter Interessenbereich, Knotenwert, fraktale Dimension und Entropie. Verwenden Sie diese, um spekulative Muster im Zusammenhang mit architektonischer Verzerrung zu charakterisieren und sie von normalen Gewebemustern zu trennen. Entwickeln Sie einen Klassifikator unter Verwendung von Interessenregionen, die von einem Radiologen klassifiziert wurden.

Hier im Merkmalsraum sind Klassifizierungen von Regionen dargestellt, die während des Trainings aus beschrifteten Bildern ausgeschnitten wurden: Grün für falsch positive Ergebnisse und blau für richtig positive Ergebnisse. Ebenfalls angezeigt werden die Ausgaben des trainierten Klassifikators für den zu analysierenden Testfall. Schwarz zeigt falsch positive Ergebnisse und Rot richtig positive Ergebnisse an.

In diesem Diagramm zeigt die schwarze Linie die Betriebskennlinie des freien Ansprechempfängers. Wenn nur der Knotenwert verwendet wird, hat er eine Sensitivität von 80 % mit 8,1 falsch positiven Ergebnissen pro Patient. Die rote Kurve stellt die Ergebnisse dar, wenn die drei Merkmale Knotenwert, Entropie und fraktale Dimension zusammen mit einer Empfindlichkeit von 80 % verwendet werden.

Das Ergebnis sind 5,6 falsch positive Ergebnisse pro Patient. In diesem Bild sind die sechs interessierenden Regionen mit den höchsten Rankings dargestellt. Die Zahlen außerhalb der Klammern geben die Rangfolge gemäß dem Bayes'schen Klassifikator an.

Die Zahlen in Klammern entsprechen der früheren Rangfolge der Knotenzuordnung. Grüne Rechtecke stellen echte positive Interessenbereiche dar. In der letzten Phase der Analyse stellen gelbe Rechtecke falsch positive Ergebnisse dar.

Das rote Rechteck ist der Bereich mit der architektonischen Verzerrung, der von einem Radiologen identifiziert wurde. Drei der hoch eingestuften Regionen überlappen sich mit dem vom Radiologen markierten verdächtigen Bereich der architektonischen Verzerrung, was auf eine erfolgreiche Erkennung durch das Verfahren hinweist. Nach weiterer Arbeit an der Optimierung unserer Algorithmen und Programme könnten die Verfahren auf Mammographien in einer Klinik angewendet werden, indem ein Computer mit unserer Software und geeignete Anzeigesysteme in den Arbeitsablauf eines Radiologen integriert werden.

Im Anschluss an unsere Verfahren könnten weitere Methoden entwickelt werden, um zusätzliche Fragen zu beantworten, wie z.B. die Entwicklung von Architekturverzerrungen und Brusttumoren im Laufe der Zeit. Die Ergebnisse unserer Verfahren könnten in die radiologische Praxis einfließen, was zur Diagnose von Brustkrebs in einem frühen Stadium führt und somit die Behandlungsergebnisse verbessert.