Détection de distorsion architecturale dans mammographies antérieures Par Analyse des modèles orientés

L’objectif global de cette procédure est de détecter les signes subtils du cancer du sein, en particulier la distorsion architecturale des mammographies. Pour ce faire, il faut d’abord prétraiter une mammographie donnée afin de détecter la partie du sein et d’éliminer les artefacts de l’image mammographique donnée. La deuxième étape consiste à détecter les structures orientées dans l’image en appliquant une banque de filtres Gabor.

Ensuite, le champ d’orientation est analysé à l’aide de portraits de phase pour détecter les motifs en forme de nœud qui pourraient indiquer la présence d’une distorsion architecturale. La dernière étape consiste à analyser toutes les régions détectées en extrayant des attributs ou des mesures qui caractérisent la distorsion architecturale et aident à rejeter les fausses alarmes. En fin de compte, les zones suspectes confirmées sont présentées au radiologue pour une analyse plus approfondie, et l’efficacité de la procédure est évaluée par rapport aux résultats des tests cliniques tels que la biopsie.

Le principal avantage de notre technique par rapport aux méthodes existantes telles que la détection de masses évaluée par ordinateur, est que nous sommes capables de détecter des signes subtils de distorsion architecturale sans qu’une tumeur ou une masse centrale ne soit évidente. Les implications de cette technique s’étendent au diagnostic et au traitement du cancer du sein. Il facilite le diagnostic des stades précoces du cancer du sein et améliore donc le pronostic de traitement.

La démonstration visuelle de cette méthode est essentielle. Les étapes de traitement de l’image sont difficiles. Il y a plusieurs étapes complexes qui sont mathématiquement complexes.

Les étapes de ce protocole sont effectuées à l’aide d’une combinaison de logiciels personnalisés et packagés. Commencez la procédure par une mammographie numérisée échantillonnée avec un filtre gaussien. Segmentez la région du sein dans l’image à l’aide de la méthode de seuillage adaptatif de tzu et identifiez la limite approximative du sein.

Ensuite, extrayez les motifs orientés à l’aide de filtres Gabor. Un filtre Gabor est un filtre passe-bande anisotrope avec une orientation préférée. Cette véritable fonction de filtre Gabor est orientée à moins 90 degrés.

Les sigmas sont des écarts-types le long des axes respectifs, et le nœud F est la fréquence de la modulation. Les filtres sinusoïdaux à d’autres angles sont obtenus en utilisant une transformation de coordonnées. Cette animation montre la réponse impulsionnelle d’un filtre de Gabor à gauche et la réponse spectrale ou fréquentielle à la note de droite, les changements lorsque l’angle d’orientation commence à moins 90 degrés et passe par 180 degrés à droite Sigma X et F noeud en termes de tau, la largeur totale à la moitié maximum du terme gaussien.

Écrivez également sigma Y comme un multiple L de sigma X.Maintenant, tau et L contrôlent la fréquence centrale et la bande passante du filtre ainsi que la largeur et la longueur des composants orientés à filtrer dans cette animation. La valeur de tau dans le filtre de Gabor est modifiée tout en gardant tous les autres paramètres constants. Au fur et à mesure que tau augmente, la largeur de la fonction de Gabor dans le domaine spatial augmente et la fréquence centrale de la réponse en fréquence est diminuée.

Cette animation montre l’effet du paramètre L sur la réponse impulsionnelle et la réponse spectrale d’un filtre Gabor. Pour les applications pratiques, des valeurs appropriées pour tau et L doivent être choisies et plusieurs filtres doivent être utilisés. Cette vidéo montre l’application de 180 filtres Gabor à une image de test d’une usine avec des pièces orientées sous plusieurs angles.

Il est évident que la réponse du filtre de Gabor capture les composants orientés présents dans l’image sous différents angles. La réponse maximale à chaque pixel sur tous les angles de filtre utilisés est enregistrée dans une seule image, appelée réponse en amplitude de Gabor. L’angle correspondant du filtre Gabor est enregistré pour chaque pixel d’une autre image, appelée réponse de l’angle de Gabor.

Choisissez les valeurs appropriées de tau et L pour la mammographie. Ensuite, appliquez à l’image une banque de 180 filtres Gabor réels uniformément espacés sur la plage de moins 90 degrés à plus 90 degrés. Chaque filtre extrait les composants orientés de la mammographie dans l’espace correspondant.

La direction du domaine pour chaque mammographie génère une image de réponse gab ou amplitude en utilisant la réponse de magnitude la plus élevée à chaque pixel. L’image finale de la réponse par à-coups ou par magnitude montre des valeurs élevées pour les pixels liés aux motifs orientés, et met ainsi en évidence les structures tissulaires avec des caractéristiques directionnelles préférées. Les régions avec des niveaux de gris presque identiques et sans texture orientée ne sont pas conservées dans le résultat.

De plus, pour chaque mammographie, générez une image de réponse abdominale ou angulaire, encore une fois, en utilisant la réponse la plus élevée à chaque pixel. Cette image donne l’angle du motif orienté dominant à chaque pixel. Les angles de cette image correspondent aux angles des structures tissulaires sous-jacentes.

Ici, la réponse en amplitude de Gabor et la réponse en angle de Gabor sont indiquées côte à côte. Les rectangles montrent une région d’intérêt identifiée par un radiologue. D’autres détails sont fournis par ces vues agrandies de la région d’intérêt.

L’étape suivante consiste à utiliser l’image de réponse de magnitude de Gabor pour identifier les structures linéaires de courbe d’intérêt avec la technique de suppression non maximale. Ici, les pixels marqués en blanc sont les pixels centraux sélectionnés qui sont des indicateurs potentiels ou des spicules ou des tissus fibroglandulaires. Maintenant, supprimez les pixels centraux associés à un fort gradient pour éviter une identification erronée des structures.

Cela donne les structures linéaires de courbure d’intérêt. Voici les détails de la même région avant et après la suppression des pixels associés à un fort dégradé. Une fois cela fait, filtrez le champ d’orientation avec un filtre gaussien et un échantillon descendant pour réduire le bruit et réduire le calcul nécessaire.

La procédure de vote dans l’analyse de portrait de phase est présentée ici. La mammographie d’origine est montrée à gauche et la réponse de l’angle de Gabor associée est illustrée à droite à gauche. La petite fenêtre bleue montre que la fenêtre d’analyse est glissée sur la fenêtre de l’image d’origine.

Les positions qui n’entraînent aucun vote dans la carte des nœuds sont ignorées et ne sont pas affichées dans la fenêtre vidéo. Les positions qui aboutissent à un vote dans la carte des nœuds sont marquées d’un astérisque vert à la position correspondante à droite à la fin de la procédure, la carte des nœuds contient une carte des points ou des votes pour le vote, il est prévu qu’un nombre relativement important de votes soient exprimés à des endroits contenant des modèles orientés divergents ou convergents. Un filtre de lissage ou d’accumulation est appliqué pour obtenir une version filtrée de la carte de nœuds.

Les pics locaux sont détectés dans la carte des nœuds filtrés afin de faciliter la découpe des régions d’intérêt pour une analyse plus approfondie. Maintenant, classez les pics dans la carte des nœuds en fonction de leurs valeurs. Une fois cela fait, coupez les régions d’intérêt de l’image d’origine centrées sur les pics correspondants dans la carte des nœuds pour les nœuds sur les bords, créez des régions d’intérêt qui incluent autant de données d’image que disponibles à l’emplacement du pic spécifié.

Commencez la caractérisation en sélectionnant une région d’intérêt, en la prétraitant et en effectuant une transformation bidimensionnelle du foyer. Voici le logarithme du spectre de puissance après qu’il a été converti en coordonnées polaires de fréquence et d’angle. L’angle indiqué dans l’axe horizontal varie de zéro degré à 179 degrés.

La fréquence radiale sur l’axe vertical varie de 0,02 millimètre à moins 2,5 millimètres à moins négatif avec le coin supérieur gauche, 0,02 millimètre à moins un et zéro degré. Transformez maintenant le spectre bidimensionnel en une fonction unidimensionnelle de la fréquence spatiale. En intégrant le spectre de puissance en coordonnées polaires sur les angles pour chaque valeur de la fréquence spatiale.

Voici la fonction tracée sur une échelle logarithmique, excluez les régions de basses et hautes fréquences et appliquez une régression linéaire pour identifier la pente de la droite ajustée. Cette pente est une estimation du facteur de la loi de puissance bêta du brownie fractionnaire . Modèle en mouvement.

Utilisez-le pour calculer la dimension fractale afin de calculer l’entropie. Revenons au spectre bidimensionnel en coordonnées polaires. Transformez-le en une fonction unidimensionnelle de l’angle en l’intégrant sur les valeurs de fréquence spatiale

Pour chaque valeur de l’angle, normalisez la fonction de sorte qu’elle soit égale à un. Calculez ensuite l’entropie du résultat. À ce stade, il y a trois mesures pour chacune.

Détection automatique de la région d’intérêt, de la valeur du nœud, de la dimension fractale et de l’entropie. Utilisez-les pour caractériser les motifs spéculatifs liés à la distorsion architecturale et les séparer des motifs tissulaires normaux. Élaborer un classificateur à l’aide de régions d’intérêt classées par un radiologiste.

L’espace des fonctionnalités présente les classifications des régions coupées des images étiquetées pendant l’entraînement : vert pour les faux positifs et bleu pour les vrais positifs. Les sorties du classificateur formé pour le cas de test analysé sont également affichées. Le noir montre les faux positifs et le rouge les vrais positifs.

Dans ce graphique, la ligne noire montre la courbe caractéristique de fonctionnement du récepteur à réponse libre. Lorsque seule la valeur du nœud est utilisée, elle a une sensibilité de 80 % avec 8,1 faux positifs par patient. La courbe rouge représente les résultats lorsque les trois caractéristiques Valeur du nœud, Entropie et Dimension fractale sont utilisées ensemble avec une sensibilité de 80 %.

Il en résulte 5,6 faux positifs par patient. Sur cette image, les six régions d’intérêt les mieux classées sont présentées. Les chiffres en dehors des parenthèses indiquent le classement selon le classificateur bayésien.

Les nombres entre parenthèses correspondent au classement précédent de la carte de nœuds. Les rectangles verts représentent les régions d’intérêt véritablement positives. Dans la dernière étape de l’analyse, les rectangles jaunes représentent les faux positifs.

Le rectangle rouge est la région présentant une distorsion architecturale identifiée par un radiologue. Trois des régions les mieux classées chevauchent la zone suspecte de distorsion architecturale marquée par le radiologue, indiquant une détection réussie par la procédure. Après un travail supplémentaire sur l’optimisation de nos algorithmes et programmes, les procédures pourraient être appliquées aux mammographies dans une clinique en incorporant un ordinateur avec notre logiciel et des systèmes d’affichage appropriés dans le flux de travail d’un radiologue.

Suite à nos procédures, d’autres méthodes pourraient être développées pour répondre à des questions supplémentaires telles que la distorsion architecturale et les tumeurs mammaires se développent au fil du temps. Les résultats de nos procédures pourraient être incorporés dans la pratique radiologique, ce qui permettrait de diagnostiquer le cancer du sein à ses premiers stades, et donc d’améliorer les résultats du traitement.