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

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.