前にマンモグラムにおける構造的ひずみを検出経由分析

サマリー

我々は前にマンモグラムの建築の歪みを検出する方法を示しています。配向構造は、組織パターンを照射する部位を検出するために、ガボールフィルタと位相の肖像画を用いて分析する。各サイトには特徴づけられ、spiculatingパターンを表現するための措置を使用して分類されている。方法は、乳癌の検出を支援すべきである。

要約

我々は、マンモグラムにおける乳房組織パターンの向きの分析に基づいて間隔癌症例の前にマンモグラムにおける構築の乱れの検出のための方法を実証する。私たちは、建築の歪みが大衆や腫瘍の形成前に、マンモグラフィ画像中の乳房組織パターンの通常の方向を変更すると仮定した。私たちの方法の最初のステップでは、指定されたマンモグラムに配向構造は、組織のパターンを照射するか、交差のノードのようなサイトを検出するために、ガボールフィルタと位相の肖像画を用いて分析する。検出された各サイトは、ノード値、フラクタル次元、具体的には、構造的ひずみに関連したspiculatingパターンを表現するために設計された角度分散の尺度を用いて特徴づけている。

私たちの方法はために開発された機能を使用して、56インターバル癌症例の106前のマンモグラムおよび13の正常例の52マンモグラムのデータベースを用いて試験した建築のゆがみ、二次判別分析によるパターン分類、およびリーブ1患者出手順の検証の特性。自由応答受信者動作特性分析の結果によれば、我々の方法は、従来のマンモグラムにおける構築の乱れを検出する能力を実証した乳癌の臨床診断の前に（平均で）15ヶ月を撮影し、約80％の感度を有する患者あたり5偽陽性。

概要

乳がんは、女性に影響を与える主要な疾患であり、女性は^1,2の癌関連死の第二の主要な原因である。生存の可能性および乳癌の初期段階における効果的な治療を介して影響を受けた患者の予後を改善するために、疾患は、できるだけ早期に検出する必要がある。乳癌の症例のレトロスペクティブ分析において、異常の微妙な兆候は、以前に取得したスクリーニングマンモグラフィー^3,4で観察された。構築の乱れ^5,6を検出することが困難である乳癌の可能性の初期段階のいずれかのような局所的なマンモグラフィ徴候である。関連するパターンがぼんやり見えていない明確な質量の乳房の正常な構造の歪みと記載されている。建築歪みが乳房の質量または腫瘍の形成の初期段階で表示される可能性。我々は、スクリーニングのマンモグラムの前乳癌cの検出に得られるという仮説を立てウルド特に、構築の乱れの乳癌の初期段階の微妙な徴候を含む。

図1aは、スクリーニングで発見癌の場合の事前のマンモグラフィ画像を示している。放射線科医（JELD）によって識別異常の領域が赤い四角で概説されている。従来のマンモグラムは24ヶ図1bに示す検出マンモグラムの前に採取した。前マンモグラムは、スクリーニングの元のインスタンスでがんの徴候がないことが宣言されていた。レトロスペクティブ分析において、検出マンモグラムと比較して、検出された癌の部位に関連する疑わしい領域を放射線科医によって標識し、マンモグラムの前に赤で概説されている。疑わしい領域は骨片を含む構造的ひずみの兆候が含まれています。

コンピュータ支援診断（CAD）技術およびシステムは、ブレアの検出感度の増加を達成するための可能性を提供ST癌^2,7-9。しかしながら、このような質量および石灰化などの乳癌の他の徴候の検出に関する文献に存在し、多くの刊行物に比較して、研究はごく少数の非存在下で構築の乱れの検出が報告されてい中央マス^10月17日 。市販のCADシステムは、構築の乱れ¹⁸の検出において十分に機能することが見出されている。スクリーニングで発見さや間隔、がん症例^3,4,19-22の前にマンモグラムにおける構造的ひずみの検出に関する研究は、その初期段階での乳房疾患の検出および治療 ​​のための戦略の開発に役立つ、との改善につながる可能性患者²³の予後。

実験用のイメージの準備

実験は、診断された56の個人の106の前にマンモグラムを含む158のマンモグラフィ画像を用いて実施した乳癌および13の正常な個体の52イメージを持つ。研究のための倫理承認はコンジョイント保健研究倫理委員会、医療倫理の事務所、カルガリー大学、カルガリー地域の保健局から入手した。乳がん^21,24,25の早期発見のためアルバータプログラム：画像はスクリーン·テストから得られた。

前スクリーニングプログラム外の癌の診断するためのスクリーニングプログラムへの最後の定期的な訪問で取得されたマンモグラムはインターバル癌症例の前にマンモグラムとして標識した。対応する診断マンモグラムは利用できませんでした。 106前マンモグラムの2が、すべてがスクリーニングプログラムでの取得と解析時に乳がんの兆候がないことが宣言されていた、他の2マンモグラムに対応した個人は、生検のために呼ばれていた。癌の診断および従来のマンモグラムの間の時間間隔は、1.5ヶ月の範囲であった15ヶ月と7ヶ月の標準偏差の平均は24.5カ月、S、。データベースで使用可能なインターバル癌症例の前にマンモグラムの全ては、疑わしい部分が特定されない可能性があった6枚の画像を除いて、本研究に含まれています。

スクリーンフィルムマンモグラムを50ミクロンとLumiscan 85レーザスキャナ（Lumisys、カリフォルニア州サニーベール）を使用して、ピクセルあたり12ビットのグレースケールの解像度の空間分解能でデジタル化された。マンモグラフィー（JELD）に特化した専門家の放射線科医が、インターバル癌症例の106前マンモグラムのすべてを見直し、その後の画像や生検で使用可能なレポートに基づいて、長方形のボックスで構造的ひずみの疑いのある領域をマークし、またはマンモグラムの詳細な検査により、 。本研究で使用したデータセットでの106前のマンモグラフィ画像のうち、38の画像が見える構造的ひずみを持っており、残りの68の画像は、疑わしいあるいは全く明らかにEVが含まれている建築の歪みをidentを。放射線科医によって描かれた長方形のボックスで識別されるように、それぞれの前にマンモグラムは構造的ひずみの単一のサイトが含まれています。平均幅、高さ、および放射線科医によってマークされた画像の106疑わしい部分の面積は、それぞれ11.8ミリメートル11.6ミリメートル、および1073.9ミリメートル²の標準偏差が56ミリメートル、39ミリメートル、2274ミリメートルと²である。

プロトコル

1。方法論の概要

私たちの手順では、マンモグラムにおける構造的ひずみの可能性のある部位を自動的にガボールの銀行のアプリケーションに向けテクスチャパターンの分析を介して検出された^26をフィルタリングし、位相のモデル化は^、11,27の肖像。検出部位は、次いで、構築の乱れ、訓練された分類器の開発、パターン認識又は分類のためのアルゴリズムの適用を特徴付けるために特徴又は措置の抽出工程を経て処理される。手順は、以下のステップ^11,20,21によって要約されます。

1. セグメント適応閾値および形態の開口部を使用して、指定されたマンモグラフィ画像中の乳房の部分。
2. ガボールは、M（i、j）とし、ガボール角画像、θガボール強度画像を取得するために-90°+90°の範囲にわたって均等な間隔の角度を持つフィルタ180のセットを適用（i、j）は 、各画素における最大応答、（i、j）を用いてフィルタの応答と角度を選択すること。
3. このような骨片や乳腺組織のような関心のある曲線構造（CLSS）を選択して、このような胸筋、実質組織、乳房の境界、およびノイズのエッジなどの交絡構造からそれらを区別することによって、方向フィールドを使用して、傾斜磁場、 nonmaximal抑制（NMS）技術、および追加の条件^11。
4. ノイズと、さらに計算要件^11,20を減らすために4倍に7ピクセルの標準偏差とダウンサンプルガウスフィルタとオリエンテーションフィールドをフィルタリングします。
5. 特定の種類に関係する位相肖像マップを選択するために、特定の条件で、フィルタリング方向]フィールドに、ステップごとに1つのピクセルで、800ミクロン/ピクセルで10×10ピクセルのサイズのスライド分析窓で、線形位相の肖像画のモデルを適用ノードパットRNS ^11,20。
6. 特定の条件がノードマップを形成するために、解析ウィンドウの各位置のための固定点で与えられた位置に、満たされていれば、票を投じる。
7. 互いに近接して票を統合するために、6ピクセルの経験的に決定された標準偏差（4.8ミリメートル）で、サイズのガウス窓付きノードマップ35×35ピクセルをフィルタリングします。
8. ランク発注ノードマップ内のピークを、ノードマップを分析します。
9. ノードマップ内の関連するピークの中心に位置する各ROIの中心と、原画像から、エッジを除いサイズ128 x 128ピクセルの関心領域（ROI）を、カット。処理されている画像の端で、指定したウィンドウで利用できるなどの画像データをできるだけ多く含めたROIを作成します。
10. 機能や構造的ひずみに関連spiculatingパターンを特徴付け、初期条件の一部を満たして正常な組織パターンの中からそれらを分離するための措置を導き出す。
<李は>構造的ひずみを持つサイトの特徴や放射線科医によって分類ROIのトレーニングセットを使用して、正常な組織のパターンのものを区別するために訓練された分類器を開発する。
11. テストケースのセットに訓練された分類器を適用し、放射線科医によって提供され、生検に基づいて診断された結果を確認します。

のステップは、上記の1-9は、与えられたマンモグラフィ画像に自動的に適用されます。上記の手順の選択されたステップは、次の項で説明し、例示されている。

2。マンモグラフィ画像の前処理

前処理段階では、次のステップで構成されます。

1. 50ミクロン/ピクセルおよび12ビット/ピクセルの解像度で2画素、13×13ピクセルの大きさの標準偏差は、ガウスフィルタを使用して、指定されたマンモグラフィ画像をフィルタリングし、ダウンサンプリング200ミクロン/ピクセルと8ビットに/ピクセルの解像度。
2. 反映するそれは右乳房である場合の画像。
3. セグメント大津の適応閾値法と半径の円板状の構造化要素25ピクセル（200ミクロン/ピクセルで5ミリメートル^）21,28,29との形態学的開口部を使用したマンモグラフィ画像中の乳房領域。
4. おおよその乳房の境界^10,21を検出。

図2Aは、元の前にマンモグラムを示す。同図図2Bは、処理および分析の後の工程で使用される乳房部分のおおよその分割結果を示している。

3。ガボールフィルタを使用した指向パターンの抽出

-90°に向け、実際のガボールフィルタ機能は^、10,30のように私たちの仕事で指定されます。

ここで＆＃963; _{xおよびσyは、x、y}方向の標準偏差値であり、かつ、f _oは変調正弦波の周波数である。他の角度でのフィルタのように座標変換を使用してこの関数を回転させることにより得られる。

ここで、（x '、y'）は 、角度αによって回転座標の集合である。

^10は次のようにフィルタリングするためのマンモグラム式1のパラメータは、考慮に検出すべき乳房組織パターンの平均サイズを取ることによって、我々の仕事において誘導される。

1. Τは、X軸に沿って式1のガウス期の半値幅とする。
2. 0の厚さに対応する、Τ= 4画素せ200ミクロンのピクセルサイズで0.8ミリメートル。
3. 計算する 。
4. 余弦項の期間はΤとするし、次に、f _O = 1 /Τ。
5. _yは lはx方向フィルタの幅と比較して、y方向のガボールフィルタの伸長を決定するLσx _を、yは σ=として定義されるσの値をみましょう。 200ミクロン/ピクセルでのマンモグラムの分析のために、L = 8を使用しています。

均等に90°の範囲-90°にわたって等間隔フィルタリングし180本物のガボールのバンクはマンモグラム^10、21に配向パターンの検出のための私たちの方法で使用されている。各所与の画像に対して、ガボール強度画像、M（i、j）は 、ガボール角画像は、θ（i、j）は 、目の応答と角度を使用して得られる各画素で最大応答を有する電子ガボールフィルタ、（i、j）とする 。

ガボア·フィルタは、周波数平面（ゼロ周波数）の原点における非ゼロ振幅応答を有する。低周波成分は、構築の乱れの存在に関連していないので、配向磁場の大きさのマンモグラフィ画像の低周波成分の影響を低減することが望ましい。したがって、マンモグラフィ画像は、従来の配向フィールドの抽出ハイパスフィルタリングされる。これは、元の画像と同じ画像の低域通過フィルタリングされたバージョンとの間の差を計算することによって達成される。この工程で使用される低域通過フィルタは_、yが上記のように定義σに等しい標準偏差を有するガウスフィルタである。

1は、本研究では、目的の各角度フィルタリングされた画像を保存することもできますが、使用されるフ​​ィルタのすべての上に各画素における最大応答（角度）がある単一の画像で保存され、ガボール振幅応答とも呼ばれる;ガボールフィルタの対応する角度は、他の画像の各ピクセルの場所に保存され、ガボール角度応答と呼ぶ。一緒に、二つの出力画像は、所与の画像の向きフィールドを提供する。

図3Aは、図3Bは、様々な角度でのエネルギーの集中を示す画像のフーリエスペクトルを示している植物の試験画像を示す。同じ向きの画像のすべての部分に関係なく、それらの位置や大きさ、画像中のそれらの方向に対して90°の角度に配置帯域又はセクターに位置し、その周波数成分（スペクトルエネルギー）を有する。ガボールで画像をフィルタリングした結果をΤ= 8画素およびl = 8 図3CおよびDに示されているフィルタとそれがガボールフィルタは、高い等で種々の角度で配向された植物の部分を抽出していることが明らかであるnitude応答と角度応答は、対応する画素に存在する支配的な特徴の向きと一致する。ガボールのバンクを使用して90°の範囲-90°を超えるいくつかの角度で配向フィルター、我々は、各ピクセルの画像とその角度に存在指向のコンポーネントのすべてを抽出した。なお、ガボア·フィルタの応答は、同じ強度レベルや、ポット壁の一部として好ましい配向をなした構造でほぼゼロ滑らかな領域であることが明らかである。

図4は、図2（b）に示す構造的ひずみとのマンモグラムのために取得したガボール大きさと角度応答を示す。なお、ガボールフィルタは、高応答、ならびに対応する角度で配向成分を抽出していることは明らかである。また、ガボールフィルタの応答が好ましいORIENTAほぼ一定の密度と無構造と滑らかな領域で低いことがわかるTiONから。精査すると、それはまた、ガボールフィルタの応答は、その背景との関係で配向構造のコントラストに依存するだけでなく、その密度や明るさにすることが観察されてもよい。これらの結果は、ガボールフィルタの帯域通過性質によるも​​のである。

4。曲線構造の選択

マンモグラムは多くのダクトに対応CLSS、血管、靭帯、実質組織、及び胸筋のエッジを含んでいる。マンモグラムの一部の異常は、このような針骨状の塊^12,31,32および構造的ひずみ^10,11,33、または乳房画像³⁴に配向テクスチャの非対称構造などにより、CLS、特定の種類の存在を特徴とすることができた。一方、外接塊のような病変の特定のタイプは、投影されたマンモグラフィ画像内の病変に重畳いくつCLSSによって隠されてもよい、そのような病変の出現は、アルトかもしれないエーおよび偽陰性検出や誤診につながる可能性があります。 Zwiggelaar ら ³⁵によって提案されたマンモグラムにおけるCLSS存在の分析は、針骨状の塊と構造的ひずみを検出するためのアルゴリズムの性能を向上させることができます。そのため、CLSSの同定は構造的ひずみの検出に重要なステップです。

本研究で使用したガボールフィルタバンクは、骨片や繊維などの線状構造に敏感であるが、それはまた、そのような配向構造のような胸筋の縁、実質組織のエッジ、および血管壁のような他の強いエッジを検出する。乳腺ディスク³⁶の周りの強いエッジは、焦点引き込みとして知られている構築の乱れ³⁷の特定の形態の検出に使用することができる。しかし、本研究では、乳腺組織にのみCLSS関連を指向機能として識別されることが重要である。

1. セグメント第2節で説明したように与えられたマンモグラムにおける乳房領域。
2. ガボール振幅応答画像にNMS技術^35,38を適用することにより、コアCLS画素を検出する。
3. 強い勾配³³のサイトでCLSSピクセルを拒否します。

NMSアルゴリズムは局所方向画角に垂直な方向に沿ってネイバーと振幅応答画像内の各画素を比較することにより、コアCLSピクセルを識別し、 図5を参照。調査中のピクセルが、対応するネイバーよりも大きい大きさの値を有する場合、画素は、コアCLS画素である。 NMSは、（このようなキャニーエッジ検出器³⁹のような）多くのエッジ検出器では一般的なステップである。 Zwiggelaar らに記載のように、この³⁵と^同じ方法でCLS画素の検出のためのNMSを用いセクション。

強い勾配の存在は、CLSの誤検出につながる、ガボール振幅応答のリップルを引き起こす可能性があります。強い勾配の存在に関連するコアCLS画素は針骨状病変の検出との関連でKarssemeijerとTEブレーキ¹²が提案した基準によって拒否されます。マンモグラフィ画像の勾配が5画素（1 mm）の標準偏差を有するガウスの一次導関数を用いて得られる。各コアCLS画素に対して、勾配の方向は配向磁場の方向と比較される。配向磁界の方向と勾配に垂直な方向の差が30°未満である場合、対応するコアCLS画素が廃棄さ​​れる。

乳腺ディスク内CLSSは通常、乳腺、ディスクの外側CLSSに比べて減少しコントラストを有する。 FIB内その結果、CLSSroglandularディスクは、ディスクの外側CLSSより小さいガボール振幅応答値があります。場所に関係CLSの全ての画素に同じ重みを割り当てること、およびそのような乳腺ディスク内の骨片のような低コントラストの関連CLSSの検出を確実にするために、大きさフィールドは、M（i、j）のためには、置換されている次のように定義され、さらに、コアCLS画素からなる画像処理によって_、CLS M（i、j）は 、。

画像M _CLSは （i、j）は CLSSの存在に重要な情報を伝達します。 図6は、フルマンモグラムとROIとCLS ​​の選択の結果を示す。構造的ひずみの存在はむしろそれらの密度や強度、マグニより関連するCLSSの幾何学的配置で示されているので検出されたCLSSの振幅は、指向構造の空間配置を下回る重要である。

5。フェーズ肖像画の分析による疑わしい部位の検出とラベリング

RAO、ジャイナ^40は、位相肖像の出現に対応する勾配方向フィールドを関連付けることにより、画像を向いてテクスチャを分析するための方法を開発した。二つの線形システムの、一次微分方程式の位相図は、状態変数²⁷の可能な軌跡を示す。

ましょたp（t）およびQ（t）において、t R、時間tの二階微分関数を表すように関連

ここでは、^•のp（t）及びq個^•（t）は、時間に対する一次導関数であり、FおよびGは、p及びq ¹⁰の関数である。初期条件のp（0）およびq（0）、溶液[P（T）において、q（t）は 】パラメトリック軌道の形で表されるか、（p、qは仮想的な粒子を効率化することができる所与の）面。粒子は、0 =時刻tにおける[P（0）は、q（0）]に入れ、速度^[•のp（t）及びq個^•（t）が〕で（p、q）の平面を通って移動する。 （p、q）は平面は、システムの位相面として知られている。位相肖像画は位相平面における粒子の可能性のある軌道のグラフである。固定点は、（位相面の^P•内のポイントです mは> T）= 0およびqの^•（t）= 0である。固定点で放置粒子は静止したままである。アフィンシステムのために、我々は持っている

ここで、Aは、2×2の行列であり、bは 2×1列の行列である。位相肖像の中心（P _{0、Q 0）は次}のように固定点で与えられる

我々は処理されている画像の平面のxおよびy座標を持つ関数のp（t）およびQ（t）を関連付ける場合には、対応する方位のフィールドである

res.jpg "幅=" 500 "/>
ここで、Φ（xy座標 ）速度ベクトル[p個の^•（t）は、q個^•（t）は、（x、y）におけるx軸に対する=角[P（T）は、q（t）の表示] 。我々は、ガボール角感応θ（i、j）を用いてΦ（X-Y）を関連付け、かつ最小化されるようにするためにエラー関数を定義する

ここで、[A、B]と[C、D]は2行です。最後の項は、針骨状のノードのパターンに関連するものとは行列Aの構成で偏差の高いペナルティ（コスト）のために用意されています。上記の式は、Φの代わりに連続的な空間（x、y）の離散グリッド上（XY）（i、j）を表す。 ESTIM^ε2最小限AとbののATE（A、bは ）、以下の手順によって得られる。

1. ^ε2の最小化を介してAとbの初期推定値を得る（A、b）は、焼きなまし法^41を用いた。
2. 非線形最小二乗アルゴリズム^42を使用して初期推定値を精緻化することにより、最適な推定値を得る。

ノード、サドル、スパイラル：上記のモデルでは、位相肖像画の3つの可能なタイプがあります。位相肖像の種類は、A ^10,27,30,40の固有値によって決定されます。テクスチャ画像の向きフィールドは、その向きフィールドに最も類似する位相図のタイプを決定することによって説明することができる。螺旋状のパターンの分析においては重要ではないためノードとサドル：マンモグラム、我々は位相肖像画の2種類のみで、その結果、対称に行列Aを制約。

なぜなら投影マンモグラフィ画像に重畳う様々な角度で骨片数の期待存在の、我々は構造的ひずみのサイトには、ノードのような特性を提示すると仮定した。しかしながら、乳房の正常組織、管、血管、およびその他の配向構造は、投影マンモグラムにおける構築の乱れの外観を模倣するパターンを形成する重畳チャンス。したがって、我々は、疑わしいサイトや構造的ひずみの可能性のある部位を検出するためのノードマップを分析し、特徴抽出とパターン分類の更なるステップを検出したサイトを分析します。

マンモグラムは、いくつかのパターンを示す可能性があるため、我々はOで、800ミクロン/ピクセルで、サイズは10×10ピクセルのスライディング分析窓を適用ステップごとのNEピクセル。塗布の条件がすべて満たされた場合、ウィンドウの各位置について、投票は、対応する固定点で指定された位置にある、ノードマップと呼ばれるマップに鋳造される。 3.0より大きく、条件数を持つ行列Aに関連した結果は、構造的ひずみ¹¹に関連していることが期待されていないパターンを無視することを拒否されます。さらに、追加の条件が固定点の間の距離と対応する解析ウィンドウの位置に課される：距離が3未満の画素（2.4ミリメートル）を超える、20ピクセル（16 mm）で、現在の結果である場合解析ウィンドウは拒否されます。投票の大きさは、位相図の等方性を強調するために、Aの条件数に、式（7）で定義されたフィット^{ε2（A、b）}は 、の測定値の比に等しく設定される。ノードマップは、その後、locのを検出するために分析されるら最大値または構造的ひずみの部位を示すと予想されるピーク。しかしながら、手順は、重ね合わせた正常構造に起因する偽陽性（FP）部位の数の検出をもたらす。

ノードマップ内の各ピークで、我々は自動的に200ミクロン/ピクセルでのマンモグラフィ画像から、サイズが128×128ピクセルの画像のエッジを除いて、ROIを抽出します。我々は、マンモグラムあたり30 ROIの最大値まで、ピークの値の順に、ノードマップ内のピークによって示された位置でのROIにラベルを付ける。

既知の診断とマンモグラムが私たちの手順を訓練するために使用された場合、自動的には放射線科医によって識別される構造的ひずみの部分内でのそれらの中心でのROIを検出し、真陽性（TP）のROIとしてラベル付けされ、他のものは、使用しているため、FPのROIとしてラベル付けされトレーニング手順。マンモグラムは、訓練された手順を用いて分析すると、ROIの全てが検出さSは、上記のいずれかの標識することなく、分類のために処理される。

図7は、図2（b）に示したマンモグラムのために検出したノードマップとのROIを示しています。赤い長方形は、放射線科医でマーク疑わしい領域を示す。

図8は 、いくつかのマンモグラムから自動的に抽出され、TPとFP ROIの数を示しています。 TPのROIのほとんどは、いくつかの骨片と、広い角度範囲にわたって広がる配向パターンを有する。 FPのROIは、一方では、角度の狭い範囲にわたって配向正常組織構造の数が少ない;かかわらず、投影によるマンモグラフィ画像内のそれらの重ね合わせのために、それらは、構造的ひずみのノードのような特性を模倣する。

当社の戦略は、（対応して低い偽陰性との）初期段階では、高効率や感度に疑わしい領域を検出する場合であっても添付数 FPの大きさである。 ROIの分析の次のステップは、検出されたROIの効率的な特性解析と分類を経由して FPをを軽減するように設計されています。

6。建築歪みの特性評価

関連ノードマップでピークを中心とする構造的ひずみなど、自動的に検出されたROIは、様々な角度で散乱いくつかの骨片を保有する可能性があります。我々は、この特性はフーリエ領域における画像領域とスペクトルエネルギーのエネルギーの広範な角度広がりにつながることを期待しています。我々の以前の研究において、我々はそのような角度分散、角度ヒストグラム^21,22バラ図の形で効率的に表すことができることを示している。我々は、単位面積を有し、確率密度関数（PDF）としてそれを治療するためにバラ図を正規化する。その後、我々は、障害または散乱の統計的な尺度であるエントロピーを使用して、各ROIのPDFファイルを、特徴づける。

「ontent>構造的ひずみを有する領域における組織パターンの増加ばらつきが正常な乳房組織のフラクタル性を修正します。フラクタルの一般的に使用されるモデルは、自己相似パターン^43-46のマルチスケール、ネストされたパターンに基づいている。フラクタル動作の他のモデルである電力は（1 / f）のに比例して減少する周波数領域でのスペクトルに関連するフラクショナルブラウン運動（FBM）は^β、fは周波数であり、βは、スペクトル成分^47,48として知られている場合。同等のパターンが頻繁にマンモグラムで見られる画像にこのモデルを適用するためには、像の2次元（2D）フーリエスペクトルが1に変換する必要がある。FBMモデルは、ランダムな濁ったパターンと類似しているフラクタル画像をもたらす。次元（1D）関数。

私たちは、角度広がりを特徴づけるフラクタルdimensの推定値を導出するために統合された方法を開発した（u、v）を、S（ƒ、Ν）で表される極座標におけるスペクトルにSで示す直交座標における画像の2次元フーリエスペクトルをマッピングすることによって画像のイオン（FD）。手順は以下のステップ²¹で説明される。

1. 各自動的に抽出された128×128のROIとパッドサイズ256×256ピクセルの配列へのゼロで結果にフォン·ハン·ウィンドウを適用します。
2. 2DフーリエパディングROIとROIのパワースペクトルの推定値を得るために、得られた各複素数値の大きさ、S（u、v）と 、の変換を計算する。
3. 後工程での排除のためのスペクトルの選択された低周波数および高周波数部分を同定する。
4. 2次元パワースペクトルSの地図（u、v）のデカルトリサンプリングとの加重平均を計算することにより（矩形）の座標（u、v）を極座標に（ƒ、Ν）Sを得た（ƒ、Ν）からEの4隣人ゼロからサ ​​ンプリング周波数の半分までの範囲の半径方向の距離f、および角度Ν= [0、179°]の範囲にわたってのachポイント。
5. ゼロ周波数Ν中級以上の点= [0、179°]内からFの半径方向の距離や周波数の関数として統合することにより、1次元関数S（ƒ）に2次元スペクトルS（ƒ、Ν）を形質転換角度。
6. 選択された低周波数および高周波数領域内の点を除いて、対数-対数スケールでの1DスペクトルS（ƒ）の制限された周波数範囲に線形回帰を適用し、推定値で近似直線の傾きβを得るFBMモデルでスペクトル成分。
7. / 2 - ^15,49,50 FD =（β8）のように、FDの推定値を計算します。
8. のための角度Νの関数として統合することにより、1次元関数S（Ν）に2次元スペクトルS（ƒ、Ν）を形質転換半径距離、f = [1、128]ピクセル以上のゼロ周波数点から範囲[0、179°]、。
9. ユニット合計を持っており、その結果のエントロピーを計算するために、S（Ν）を正常化する 。

上記の幾何学的変換は、周期的または針骨状のテクスチャ⁹の分光特性の改良された表現と視覚化につながる。選択された低および高周波数領域は、高周波の影響を防止するために、画像内に存在する画像及び大型構造物の全体的な外観に関連する低周波成分の影響を除去するために除外される必要がある、ならびにノイズ。本研究では、周波数の帯域が（ すなわち 、非線形部）βとFDの推定が排除さは、公知のFDとの合成画像を用いて実験に基づいて選択され、また、使用しているマンモグラムのROIの数。線形モデルを適合させるために使用、fの範囲は[6、96]ピクセルに対応しているか[0.117、1.875] [1、128]画素の範囲は、周波数範囲[0、2.5の離散的表現に対応するMM ^-1、 ] MM ^-1。

図9および図10は、フラクタル解析およびTP ROIとROIそれぞれFP、周波数領域におけるパワーの角度広がりを推定するための種々のステップを示す。 図9Dは、TP ROIのための多方向spiculatingパターンの存在を示し、一方図10Dは、電力の広がりはFPのROIする角速度バンドの少数に制限される。

7。パターン分類と検証

第6節で説明したように、[ノード値_{、H、F、FD]：}我々は今、自動的に検出され、各ROIのための3つの施策や機能を備えています。私たちは、私は、これらの機能を使用するndividuallyと総称し、構造的ひずみに関連spiculatingパターンを特徴づけるために、検出されたFPのROIから、TPのROIを区別するために。

図9に示したTPのROIのために、派生3施策で構成された特徴ベクトルは、[0.0299、7.2224、2.3037]です。 図10に示すFPのROIについては、対応する特徴ベクトルが[0.0349、6.9444、2.5223]である。予想されるように、H _F値はFP ROIに対するよりもTPのROIのため高くなり、FDの値は低くなる。しかしながら、ノード値は、後者におけるオーバーラップ構造の存在のために、予想される違いに反してROI FP、TPの場合よりもROIの方が低い。一般的に、我々は、他の機能が期待される動作を実証するために失敗しても期待される傾向をたどるとROIの分類を支援する機能のいくつかを期待することがあります。

機能のパフォーマンスを評価するために我々は、受信者動作特性（ROC）曲線^{（AUC）51,52}とフリーレスポンスROC（FROC）分析^53〜55の下の面積を使用しています。個々の機能を備えたROCとFROC解析のために、私たちは訓練された分類器を使用しないでください。代わりに、我々は滑りしきい値を適用します。 3個々のノードの特徴、FD、およびH _Fは良い可能性ではなく、パターン分類において十分な性能を示し、それぞれ0.61、0.59、および0.64のAUC値を、提供しました。同じ機能のP値は、自動的に、TPとFPのROIを検出したセットのために、それらの値の間に統計学的に高度に有意な差を示す1.7638e-009、1.8793e-004、および2.2615e-013、である。

特徴の多数の分類のためのサンプルを表すために使用される場合には、相関機能を削除し、分類器^20-22の複雑さを低減するように機能の最適なサブセットを選択する必要があり、いくつかのPROCEDこのような段階的ロジスティック回帰⁵⁶とURESは、この目的のために使用することができる。我々は、ROIあたりわずか3機能を使用しているので、本研究では、我々は特徴選択を実行しないでください。

訓練された分類の検証を実行するために、我々は、リーブ·ワンの患者アウトアプローチによるパターン分類手順を適用する。私たちは、分類器のトレーニング手順からテストするために、患者の乳房X線写真から抽出された関心領域のすべてを除外した後、そのテストケースに得分類器を適用します。それから、一度に全データセット、1ケースや患者のための手順を繰り返します。

3機能セットを持つROC解析のために、我々はベイズの仮定⁵⁷と二次判別分析を行い、分類器を使用しています。 FROC曲線を生成するには、私たちは、1つの6例を除いて、患者のために利用可能な2つのマンモグラフィ画像の最も高い判別値と、TPのROIを考える画像は、ケースごとに使用可能です。

結果

各特徴は、単独で用いた場合には三つの特徴、すなわち、ノード値_、FD、F及びH _は 、それぞれ、0.61、0.59、および0.64のAUC値を提供した。 3機能を併用することにより、AUC = 0.70と改善されたパフォーマンスを提供した。三つの特徴の組合せを用いて得られたFROC曲線は、7.5のFP /患者での5.6のFP /患者および89％の80％の感度を示しており、 図11に示されている。唯一のノードの値を使用すると、13.8のFP /患者で8.1のFP /患者89％、80％の感度を提供した。

最終結果におけるFPの減少は、 図12に示されている。説明のために、最も高い評価を得ている唯一の6のROIが表示されます。括弧の外側の数字は、ベイズ分類器で得られる判別値に基づいて順位を示し、括弧内の数字は、ノードマップに基づいて、以前の順位に対応しています。比較 trong>は、図7に示す疑わし...

ディスカッション

また、間隔癌症例の前にマンモグラムにおける構築の乱れを検出するための機械学習とCADとして知られているデジタル画像処理及びパターン認識の洗練された技術のシリーズを提示している。方法は、マンモグラフィ画像内に存在配向テクスチャパターンの分析に基づいている。我々の関連研究で提案されているいくつかのより多くの機能を含む、我々の方法は、患者が4未満のFP / ²²で80％の感度で、平均して15ヶ月前方臨床診断時の乳がんの早期徴候を検出することができる^、58。

潜在的な臨床応用では、我々の手法によりラベルされたROIが放射線科医によるマンモグラムの対応する領域を慎重に検査するためのプロンプトとして表示する必要があります。乳癌の存在または非存在に関する最終決定は、放射線科医によって行われるべき追加の画像化手順を要求することができる人又はマンモグラフィとCADが提起した疑惑を確認するかを確認する臨床試験。

私たちの方法が存在後ろ向き研究で刺激的な結果を提供してきたが、これらはまだ臨床使用に準備がで...