Name: La detección de la distorsión de la arquitectura en las mamografías previas Vía Análisis de los patrones Orientadas (Video) | JoVE Journal
Uploaded: 2013-08-30T12:00:00.000+00:00
Duration: 13 min 44 s
Description: Aprenda a detectar distorsiones arquitectónicas en mamografías mediante filtros de Gabor y retratos de fase. Este método mejora la identificación de patrones sospechosos de tejido mamario para diagnóstico temprano de cáncer.

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

Este trabajo fue apoyado por becas del Programa de Colaboración para la Investigación y Experiencia Profesional (CREE) y un Descubrimiento donación de Ciencias Naturales e Ingeniería de Investigación (NSERC), de Canadá.

Los autores no tienen nada que revelar.

Hemos presentado una serie de técnicas sofisticadas de procesamiento digital de imágenes y reconocimiento de patrones, también conocidos como el aprendizaje de máquina y CAD, para la detección de distorsión de la arquitectura en mamografías anteriores de los casos de cáncer de intervalo-. Los métodos se basan en el análisis de los patrones de textura orientada presentes en las imágenes mamográficas. Nuestros métodos, entre ellos varios más características propuestas en nuestras obras relacionadas, son capaces de detecta...

El cáncer de mama es una enfermedad grave que afecta a las mujeres y es la segunda causa principal de muerte relacionada con el cáncer entre las mujeres 1,2. Con el fin de mejorar las posibilidades de supervivencia y el pronóstico de los pacientes afectados por el tratamiento eficaz en las primeras etapas del cáncer de mama, la enfermedad tiene que ser detectado tan pronto como sea posible. En el análisis retrospectivo de los casos de cáncer de mama, los signos sutiles de anomalías se han observado en las mamografías de detección previamente adquiridas 3,4. Distorsión de la arquitectura es una de esas señales mamográfica localizada de posiblemente primeras etapas del cáncer de mama que es difícil de detectar 5,6. Los patrones asociados están vagamente descritos como distorsión de la arquitectura normal de la mama con el no rotundo masa visible. Distorsión de la arquitectura podría aparecer en las etapas iniciales de la formación de una masa en la mama o el tumor. Nuestra hipótesis es que las mamografías de detección obtenidos con anterioridad a la detección de cáncer de mama cía contiene signos sutiles de las primeras etapas del cáncer de mama, en particular, distorsión de la arquitectura. La Figura 1a muestra una imagen mamográfica previa de un caso de cáncer de pantalla-detectado. La región de la anomalía identificada por un radiólogo (JELD) se perfila con un rectángulo rojo. La mamografía previa se realizó 24 meses antes de la mamografía de detección se muestra en la Figura 1b. La mamografía antes había sido declarado libre de signos de cáncer en la instancia original de cribado. En el análisis retrospectivo y en comparación con la mamografía de detección, una región sospechosa relacionada con el sitio del cáncer detectado fue marcado por el radiólogo, y se esboza en rojo en la mamografía previa. La región sospechosa contiene signos de distorsión de la arquitectura, incluyendo espículas. Diagnóstico (CAD) técnicas y sistemas asistidos por ordenador ofrecen el potencial para lograr una mayor sensibilidad en la detección de breast cáncer 2,7-9. Sin embargo, en comparación con el número de publicaciones que existen en la literatura sobre la detección de otros signos de cáncer de mama, tales como masas y calcificaciones, sólo un pequeño número de estudios se han reportado en la detección de distorsión de la arquitectura en la ausencia de un masa central 10-17. Se ha encontrado que los sistemas CAD comercialmente disponibles para llevar a cabo mal en la detección de distorsión de la arquitectura 18. Los estudios sobre la detección de la distorsión de la arquitectura en las mamografías previas de casos detectados mediante cribado o intervalo cáncer 3,4,19-22 podría ayudar en el desarrollo de estrategias para la detección y tratamiento de enfermedades de la mama en sus primeras etapas, y conducir a la mejora de la pronóstico para el paciente 23. Preparación de imágenes para el Experimento Los experimentos se llevaron a cabo con 158 imágenes de las mamografías, incluyendo 106 mamografías previas de 56 individuos diagnosticadoscon cáncer de mama y 52 imágenes de 13 individuos normales. Ética aprobación para el estudio se obtuvo de la Junta Ética de Investigación Conjunto de la Salud, Oficina del Médico de Bioética de la Universidad de Calgary, y la Autoridad Regional de Salud de Calgary. Las imágenes fueron obtenidas de Screen Test: Programa de Alberta para la detección temprana del cáncer de mama 21,24,25. Las mamografías adquiridas en la última visita programada al programa de cribado antes del diagnóstico de cáncer fuera del programa de cribado fueron etiquetados como mamografías previas de los casos de cáncer de intervalo. Las mamografías de diagnóstico correspondientes no estaban disponibles. Todos menos dos de los 106 mamografías previas habían sido declarados libres de cualquier signo de cáncer de mama en el momento de su adquisición y análisis en el programa de cribado; las personas que corresponden a los otros dos mamografías habían sido remitidos para biopsia. El intervalo de tiempo entre el diagnóstico de cáncer y las mamografías anteriores varió de 1,5 mesess a 24,5 meses, con un promedio de 15 meses y la desviación estándar de 7 meses. Todas las mamografías previas de los casos de cáncer de intervalo disponibles en la base de datos se han incluido en el presente estudio, a excepción de seis imágenes en las que no hay partes sospechosas podrían ser identificados. Las mamografías de pantalla-película se digitalizaron a la resolución espacial de 50 micras y la resolución de la escala de grises de 12 bits por píxel utilizando el láser escáner Lumiscan 85 (Lumisys, Sunnyvale, CA). Un experto radiólogo especializado en la mamografía (JELD) revisó todas las 106 mamografías previas de los casos de cáncer de intervalo y marcó los sospechosos regiones de distorsión de la arquitectura con las cajas rectangulares sobre la base de los informes disponibles en la posterior proyección de imagen o una biopsia, o con un control minucioso de las mamografías . De las 106 imágenes de las mamografías previas en el conjunto de datos utilizados en el presente estudio, 38 imágenes tienen distorsión de la arquitectura visible, y los 68 restantes contienen imágenes ev cuestionable o no claramenteident distorsión de la arquitectura. Cada mamografía anterior contiene un único sitio de la distorsión de la arquitectura como se identifica por la caja rectangular dibujado por el radiólogo. La anchura media, altura, y el área de las 106 partes sospechosas de imágenes marcadas por el radiólogo son 56 mm, 39 mm y 2274 mm 2, con una desviación estándar de 11,8 mm, 11,6 mm y 1073.9 mm 2, respectivamente.

la detección de la distorsión de la arquitectura en las mamografías previas vía análisis de los patrones orientadas

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

Demostramos métodos para la detección de distorsión de la arquitectura en mamografías anteriores de los casos de cáncer de intervalo-basados ​​en el análisis de la orientación de los patrones de tejido mamario en los mamogramas. Nuestra hipótesis es que la distorsión arquitectónica modifica la orientación normal de los patrones de tejido mamario en imágenes de las mamografías antes de la formación de masas o tumores. En los primeros pasos de nuestros métodos, las estructuras orientadas en una mamografía dado se analizó utilizando filtros Gabor y retratos de fase para detectar sitios con ganglios como de radiante o intersección patrones de tejido. Cada sitio detectado a continuación, se caracteriza mediante el valor de nodo, dimensión fractal, y una medida de la dispersión angular específicamente diseñado para representar los patrones de spiculating asociados con la distorsión de la arquitectura. Nuestros métodos fueron probados con una base de datos de 106 mamografías previas de 56 casos de cáncer de intervalo y 52 mamografías de 13 casos normales usando las funciones desarrolladas por elcaracterización de distorsión de la arquitectura, la clasificación de patrones a través de análisis discriminante cuadrática, y la validación de la licencia de un procedimiento ambulatorio. De acuerdo con los resultados de receptor de respuesta libre funcionamiento característico análisis, nuestros métodos han demostrado la capacidad de detectar distorsión de la arquitectura en las mamografías anteriores, tomada 15 meses (en promedio) antes del diagnóstico clínico del cáncer de mama, con una sensibilidad del 80% a alrededor de cinco falsos positivos por paciente.

Las tres características, a saber, el valor de nodo, FD, y H F, proporcionadas valores de AUC de 0.61, 0.59, y 0.64, respectivamente, cuando se utilizó cada característica por sí sola. El uso combinado de las tres características proporcionan un rendimiento mejorado con AUC = 0,70. La curva FROC obtenido con la combinación de las tres características se muestra en la Figura 11, lo que indica una sensibilidad de 80% a 5,6 MF / paciente y 89% en 7,5 MF / paciente. El uso de sólo el val...

Demostramos métodos para la detección de distorsión de la arquitectura en mamografías anteriores. Estructuras orientadas son analizados utilizando filtros Gabor y retratos de fase para detectar sitios de motivos radiantes de tejido. Cada sitio se caracteriza y clasifica el uso de medidas para representar patrones spiculating. Los métodos deberían ayudar en la detección de cáncer de mama.

La detección de la distorsión de la arquitectura en las mamografías previas Vía Análisis de los patrones Orientadas

We demonstrate methods for the detection of architectural distortion in prior mammograms of interval-cancer cases based on analysis of the orientation of ...

El objetivo general de este procedimiento es detectar signos sutiles de cáncer de mama, en particular, la distorsión arquitectónica en las mamografías. Esto se logra primero preprocesando una mamografía determinada para detectar la porción de la mama y eliminar los artefactos en la imagen mamográfica dada. El segundo paso es detectar estructuras orientadas en la imagen mediante la aplicación de un banco de filtros Gabor.A continuación, se analiza el campo de orientación mediante retratos de fase para detectar patrones similares a nodos que podrían indicar la presencia de distorsión arquitectónica. El paso final es analizar todas las regiones detectadas mediante la extracción de atributos o medidas que caracterizan la distorsión arquitectónica y ayudan a rechazar falsas alarmas. En última instancia, las áreas sospechosas confirmadas se presentan al radiólogo para su posterior análisis, y se evalúa la eficiencia del procedimiento en comparación con los resultados de pruebas clínicas como la biopsia.La principal ventaja de nuestra técnica sobre los métodos existentes, como la detección de masas por ordenador, es que somos capaces de detectar signos sutiles de distorsión arquitectónica sin que sea evidente un tumor central o una masa. Las implicaciones de esta técnica se extienden al diagnóstico y tratamiento del cáncer de mama. Facilita el diagnóstico de los estadios tempranos del cáncer de mama y, por lo tanto, mejora el pronóstico del tratamiento.La demostración visual de este método es fundamental. Los pasos de procesamiento de imágenes son difíciles. Hay varios pasos intrincados que son matemáticamente complejos.Los pasos de este protocolo se realizan mediante una combinación de software personalizado y empaquetado. Comience el procedimiento con una mamografía digitalizada y una muestra con un filtro gaussiano. Segmente la región de la mama en la imagen utilizando el método de umbral adaptativo de tzu e identifique el límite aproximado de la mama.A continuación, extraiga los patrones orientados utilizando los filtros de Gabor. Un filtro Gabor es un filtro de paso de banda anisotrópico con una orientación preferida. Esta función de filtro Gabor real está orientada a menos 90 grados.Los sigmas son desviaciones estándar a lo largo de los ejes respectivos, y el nudo F es la frecuencia de la modulación. Los filtros sinusoidales en otros ángulos se obtienen mediante una transformación de coordenadas. Esta animación muestra la respuesta al impulso de un filtro Gabor a la izquierda y la respuesta espectral o de frecuencia a la derecha, los cambios a medida que el ángulo de orientación comienza en menos 90 grados y pasa por 180 grados a la derecha Sigma X y F nudo en términos de tau, el ancho completo a la mitad del máximo del término gaussiano.También escriba sigma Y como un múltiplo L de sigma X.Ahora, tau y L controlan la frecuencia central y el ancho de banda del filtro y el ancho y largo de los componentes orientados que se filtrarán en esta animación. El valor de tau en el filtro Gabor varía mientras se mantienen constantes todos los demás parámetros. A medida que se aumenta tau, se aumenta el ancho de la función de Gabor en el dominio del espacio y se disminuye la frecuencia central de la respuesta de frecuencia.Esta animación muestra el efecto del parámetro L en la respuesta al impulso y la respuesta espectral de un filtro Gabor. Para aplicaciones prácticas, se deben elegir los valores apropiados para tau y L y se deben usar varios filtros. Este vídeo muestra la aplicación de 180 filtros Gabor a una imagen de prueba de una planta con las piezas orientadas en varios ángulos.Es evidente que la respuesta del filtro Gabor captura los componentes orientados presentes en la imagen en varios ángulos. La respuesta máxima en cada píxel en todos los ángulos de filtro utilizados se guarda en una sola imagen, denominada respuesta de magnitud de Gabor. El ángulo correspondiente del filtro de Gabor se guarda para cada píxel de otra imagen, lo que se denomina respuesta del ángulo de Gabor.Elija los valores apropiados de tau y L para la mamografía. A continuación, aplique a la imagen un banco de 180 filtros Gabor reales espaciados uniformemente en el rango de menos 90 grados a más 90 grados. Cada filtro extrae los componentes orientados de la mamografía en su espacio correspondiente.La dirección del dominio para cada mamografía genera una imagen de respuesta de magnitud o gab utilizando la respuesta de magnitud más alta en cada píxel. La imagen final de respuesta de magnitud o gab muestra valores altos para los píxeles relacionados con patrones orientados y, por lo tanto, resalta las estructuras de tejido con características direccionales preferidas. Las regiones con casi los mismos niveles de gris y sin textura orientada no se conservan en el resultado.Además, para cada mamografía, genere una imagen de respuesta de ángulo o gab, nuevamente, utilizando la respuesta más alta en cada píxel. Esta imagen muestra el ángulo del patrón orientado dominante en cada píxel. Los ángulos de esta imagen coinciden con los ángulos de las estructuras tisulares subyacentes.Aquí, la respuesta a la magnitud de Gabor y la respuesta al ángulo de Gabor se muestran una al lado de la otra. Los rectángulos muestran una región de interés identificada por un radiólogo. Estas vistas ampliadas de la región de interés proporcionan más detalles.El siguiente paso es utilizar la imagen de respuesta de magnitud de Gabor para identificar estructuras lineales de curvas de interés con la técnica de supresión no máxima. Aquí, los píxeles marcados en blanco son los píxeles centrales seleccionados que son posibles indicadores o espículas o tejidos fibroglandulares. Ahora, elimine los píxeles principales asociados con un gradiente fuerte para evitar la identificación errónea de estructuras.Esto produce las estructuras lineales curvas de interés. A continuación, se muestran detalles de la misma región antes y después de eliminar los píxeles asociados con un degradado fuerte. Una vez hecho esto, filtre el campo de orientación con un filtro gaussiano y una muestra descendente para reducir el ruido y reducir el cálculo necesario.Aquí se muestra el procedimiento de emisión de votos en el análisis vertical de fases. La mamografía original se muestra a la izquierda y la respuesta del ángulo de gabor relacionada se muestra a la derecha a la izquierda. La pequeña ventana azul muestra la ventana de análisis que se desliza sobre la ventana de la imagen original.Las posiciones que dan lugar a que no se emita ningún voto en el mapa de nodos se omiten y no se muestran en la ventana de vídeo. Las posiciones que dan lugar a la emisión de un voto en el mapa de nodos se marcan con un asterisco verde en la posición correspondiente a la derecha al final del procedimiento, el mapa de nodos contiene un mapa de puntos o votos emitidos, se espera que se emita un número relativamente grande de votos en ubicaciones que contengan patrones orientados divergentes o convergentes. Se aplica un filtro de suavizado o acumulación para obtener una versión filtrada del mapa de nodos.Los picos locales se detectan en el mapa de nodos filtrado para facilitar el corte de las regiones de interés para su posterior análisis. Ahora ordene los picos en el mapa de nodos según sus valores. Una vez hecho esto, corte las regiones de interés de la imagen original centradas en los picos correspondientes en el mapa de nodos para los nodos en los bordes, cree regiones de interés que incluyan la mayor cantidad de datos de la imagen como estén disponibles en la ubicación de pico especificada.Comience la caracterización seleccionando una región de interés, preprocesándola y realizando una transformación bidimensional del vestíbulo. Aquí se muestra el logaritmo del espectro de potencia después de que se haya convertido a coordenadas polares de frecuencia y ángulo. El ángulo que se muestra en el eje horizontal oscila entre cero grados y 179 grados.La frecuencia radial en el eje vertical oscila entre 0,02 milímetros y 2,5 milímetros para el negativo con la esquina superior izquierda, 0,02 milímetros para el negativo y cero grados. Ahora transforme el espectro bidimensional en una función unidimensional de la frecuencia espacial. Integrando el espectro de potencia en coordenadas polares sobre los ángulos para cada valor de la frecuencia espacial.Aquí está la función trazada en una escala logarítmica, excluya las regiones de baja y alta frecuencia y aplique la regresión lineal para identificar la pendiente de la línea ajustada. Esta pendiente es una estimación del factor de ley de potencia beta del brownie fraccionado. Modelo en movimiento.Utilícelo para calcular la dimensión fractal para calcular la entropía. Retorno al espectro bidimensional en coordenadas polares. Transfórmalo en una función unidimensional del ángulo integrándolo sobre los valores de frecuencia espacial.Para cada valor del ángulo, normalice la función de modo que sume uno. A continuación, calcule la entropía del resultado. En este punto, hay tres medidas para cada uno.Detección automática de la región de interés, el valor del nodo, la dimensión fractal y la entropía. Utilícelos para caracterizar patrones especulativos relacionados con la distorsión arquitectónica y sepárelos de los patrones de tejido normales. Desarrollar un clasificador utilizando regiones de interés clasificadas por un radiólogo.Aquí se muestran en el espacio de características las clasificaciones de las regiones cortadas de las imágenes etiquetadas durante el entrenamiento: verde para los falsos positivos y azul para los verdaderos positivos. También se muestran las salidas del clasificador entrenado para el caso de prueba que se está analizando. El negro muestra los falsos positivos y el rojo los verdaderos positivos.En este gráfico, la línea negra muestra la curva característica de funcionamiento del receptor de respuesta libre. Cuando solo se utiliza el valor del ganglio, tiene una sensibilidad del 80% con 8,1 falsos positivos por paciente. La curva roja representa los resultados cuando las tres características, el valor del nodo, la entropía y la dimensión fractal se utilizan juntas con una sensibilidad del 80%.El resultado es de 5,6 falsos positivos por paciente. En esta imagen, se muestran las seis regiones de interés con las clasificaciones más altas. Los números fuera de los paréntesis indican la clasificación según el clasificador bayesiano.Los números entre paréntesis corresponden a la clasificación del mapa de nodos anterior. Los rectángulos verdes representan regiones de interés positivas verdaderas. En la etapa final del análisis, los rectángulos amarillos representan falsos positivos.El rectángulo rojo es la región con distorsión arquitectónica identificada por un radiólogo. Tres de las regiones mejor clasificadas se superponen con el área sospechosa de distorsión arquitectónica marcada por el radiólogo, lo que indica una detección exitosa por el procedimiento. Después de un trabajo adicional en la optimización de nuestros algoritmos y programas, los procedimientos podrían aplicarse a las mamografías en una clínica mediante la incorporación de una computadora con nuestro software y sistemas de visualización adecuados en el flujo de trabajo de un radiólogo.Siguiendo nuestros procedimientos, se podrían desarrollar otros métodos para responder preguntas adicionales como cómo se desarrollan la distorsión arquitectónica y los tumores de mama con el tiempo. Los resultados de nuestros procedimientos podrían incorporarse a la práctica radiológica, dando como resultado el diagnóstico del cáncer de mama en sus estadios tempranos, y por lo tanto mejorar los resultados del tratamiento.

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

Research

Investigación

JoVE Journal

Medicine

Medicina

Técnicas multivariantes, incluyendo el análisis de componentes principales (PCA) se han utilizado para identificar los patrones de la firma de cambio regional en las imágenes funcionales del cerebro. Hemos desarrollado un algoritmo para identificar biomarcadores de red reproducibles para el diagnóstico de trastornos neurodegenerativos, la evaluación de la progresión de la enfermedad, y la evaluación objetiva de los efectos del tratamiento en poblaciones de pacientes.

Identificación de los modelos de covarianza espaciales relacionados con la enfermedad utilizando los datos de neuroimagen

Presentamos un enfoque de registro de imágenes para la reconstrucción del volumen histológico en 3 dimensiones (3D), que facilita el estudio de los cambios de un órgano a nivel de macroestructuras formadas por células. Utilizando este enfoque, estudiamos los cambios en 3D entre las glándulas mamarias de tipo salvaje y las glándulas mamarias nulas de Igfbp7.

Reconstrucción de 3-Dimensional Volumen Histología y su aplicación al estudio del ratón glándulas mamarias

Describimos cómo obtener mapas paramétricos y vectoriales del tensor de difusión de la mama utilizando imágenes de resonancia magnética. El protocolo y el resultado final después del procesamiento de imágenes están diseñados para rastrear las características arquitectónicas de la mama y detectar neoplasias malignas de mama.

Seguimiento de las mamarias características de la arquitectura y la detección de cáncer de mama con resonancia magnética con tensor de difusión de imágenes

Este artículo describe el diseño y desarrollo de un objetivo de calibración de distorsión óptica de cámara personalizado esterilizable para la calibración perioperatoria de endoscopios sumergidos en fluido durante intervenciones endoscópicas.

Objetivo esterilizable de calidad médica para Fluid-sumergido Fetoscopio óptico Distorsión de calibración

Aquí, nos proporcionan un flujo de trabajo que permite la identificación de células sanas y patológicas basado en su forma de 3 dimensiones. Describimos el proceso de utilizar esquemas de proyección 2D basados en las superficies 3D para entrenar un mapa de auto-organización que ofrecerá la agrupación objetiva de las poblaciones celulares investigados.

Distinción basada en la morfología entre sanas y patológicas de las células utilizando transformadas de Fourier y mapas de auto-organización

Aquí, presentamos un protocolo para medir el grado de distorsión en cada parte de la impresión digital de arco de competencia adquirida a partir de un escáner intraoral con fantasma metálico impreso en 3D con geometrías estándar.

Medición de la distorsión de arco completo de una impresión dental óptica

El método presentado aquí utiliza micropatrones junto con imágenes cuantitativas para revelar la organización espacial dentro de los cultivos de mamíferos. La técnica es fácil de establecer en un laboratorio de biología celular estándar y ofrece un sistema manejable para estudiar el patrón in vitro.

Mapeo de la Organización Espacial Emergente de Células De mamíferos usando Micropatrones e Imágenes Cuantitativas

El objetivo de este estudio es desarrollar un nuevo modelo digital 3D de nódulos pulmonares que sirva como puente de comunicación entre médicos y pacientes y que también sea una herramienta de vanguardia para el prediagnóstico y la evaluación pronóstica.

Un modelo digital 3D para el diagnóstico y tratamiento de nódulos pulmonares

Aquí, describimos en profundidad un método, que se basa en la tomografía microcomputarizada, para segmentar y medir modelos 3D de huesos craneomaxilofaciales en ratones, para una mejor evaluación del desarrollo óseo craneomaxilofacial en ratones que lo que es posible con los métodos actuales.

Análisis de Malformaciones Craneomaxilofaciales en Ratones mediante Tomografía Microcomputarizada Tridimensional

Este protocolo describe el procedimiento de imagen de un dispositivo de imágenes de microondas para imágenes mamarias.

Imágenes clínicas de mamografía por microondas

Aprenda a detectar distorsiones arquitectónicas en mamografías mediante filtros de Gabor y retratos de fase. Este método mejora la identificación de patrones sospechosos de tejido mamario para diagnóstico temprano de cáncer.

La detección de la distorsión de la arquitectura en las mamografías previas Vía Análisis de los patrones Orientadas

Explorar más videos