Wykrywanie zniekształceń architektonicznych we wcześniejszych mammografiach poprzez analizę zorientowanych wzorców

Ogólnym celem tej procedury jest wykrycie subtelnych objawów raka piersi, w szczególności zniekształceń architektonicznych w mammografii. Osiąga się to poprzez wstępne przetworzenie danej mammografii w celu wykrycia części piersi i usunięcia artefaktów z danego obrazu mammograficznego. Drugim krokiem jest wykrycie zorientowanych struktur na obrazie poprzez zastosowanie banku filtrów Gabora.

Następnie pole orientacji jest analizowane za pomocą portretów fazowych w celu wykrycia wzorców przypominających węzły, które mogą wskazywać na obecność zniekształceń architektonicznych. Ostatnim krokiem jest analiza wszystkich wykrytych regionów poprzez wyodrębnienie atrybutów lub miar, które charakteryzują zniekształcenia architektoniczne i pomagają w odrzucaniu fałszywych alarmów. Ostatecznie potwierdzone podejrzane obszary są przedstawiane radiologowi w celu dalszej analizy, a skuteczność procedury jest oceniana w porównaniu z wynikami badań klinicznych, takich jak biopsja.

Główną przewagą naszej techniki nad istniejącymi metodami, takimi jak komputerowe wykrywanie mas, jest to, że jesteśmy w stanie wykryć subtelne oznaki zniekształceń architektonicznych bez widocznego centralnego guza lub masy. Implikacje tej techniki rozciągają się na diagnostykę i leczenie raka piersi. Ułatwia diagnostykę wczesnych stadiów raka piersi, a tym samym poprawia rokowanie w leczeniu.

Wizualna demonstracja tej metody ma kluczowe znaczenie. Etapy przetwarzania obrazu są trudne. Istnieje kilka skomplikowanych kroków, które są matematycznie złożone.

Kroki tego protokołu są wykonywane przy użyciu kombinacji oprogramowania niestandardowego i w pakiecie. Rozpocznij procedurę od zdigitalizowanej mammografii, z której pobrano próbkę z filtrem Gaussa. Podziel obszar piersi na segmenty na obrazie za pomocą metody adaptacyjnego progowania tzu i określ przybliżoną granicę piersi.

Następnie wyodrębnij zorientowane wzorce za pomocą filtrów Gabora. Filtr Gabora to anizotropowy filtr pasmowo-przepustowy o preferowanej orientacji. Ta prawdziwa funkcja filtra Gabora jest zorientowana pod kątem minus 90 stopni.

Sigmy to odchylenia standardowe wzdłuż odpowiednich osi, a węzeł F to częstotliwość modulacji. Filtry sinusoidalne pod innymi kątami uzyskuje się za pomocą transformacji współrzędnych. Ta animacja pokazuje odpowiedź impulsową filtra Gabora po lewej stronie i odpowiedź spektralną lub częstotliwościową po prawej nucie, zmiany zmieniają się, gdy kąt orientacji zaczyna się od minus 90 stopni i przechodzi przez 180 stopni prawy węzeł Sigma X i F pod względem tau, pełna szerokość w połowie maksimum członu Gaussa.

Napisz również sigma Y jako wielokrotność L sigma X.Teraz tau i L kontrolują częstotliwość środkową i szerokość pasma filtra oraz szerokość i długość zorientowanych komponentów, które mają być filtrowane w tej animacji. Wartość tau w filtrze Gabora jest zmieniana przy zachowaniu wszystkich innych parametrów na stałym poziomie. Wraz ze wzrostem tau zwiększa się szerokość funkcji Gabora w domenie przestrzeni, a częstotliwość środkowa odpowiedzi częstotliwościowej maleje.

Animacja ta pokazuje wpływ parametru L na odpowiedź impulsową i odpowiedź spektralną filtra Gabora. Do zastosowań praktycznych należy wybrać odpowiednie wartości tau i L oraz zastosować wiele filtrów. Ten film pokazuje zastosowanie filtrów 180 Gabor do testowego obrazu instalacji z częściami zorientowanymi pod kilkoma kątami.

Oczywiste jest, że odpowiedź filtra Gabora wychwytuje zorientowane komponenty obecne na obrazie pod różnymi kątami. Maksymalna odpowiedź na każdy piksel we wszystkich użytych kątach filtra jest zapisywana w pojedynczym obrazie, co nazywa się reakcją Gabora. Odpowiedni kąt filtra Gabora jest zapisywany dla każdego piksela na innym obrazie, co jest określane jako odpowiedź kąta Gabora.

Dobrać odpowiednie wartości tau i L do mammografii. Następnie nałóż na obraz bank 180 prawdziwych filtrów Gabora równomiernie rozmieszczonych w zakresie od minus 90 stopni do plus 90 stopni. Każdy filtr wyodrębnia zorientowane składniki mammografii w odpowiadającej jej przestrzeni.

Kierunek domeny dla każdej mammografii generuje obraz odpowiedzi gab lub magnitudo, używając odpowiedzi o najwyższej wielkości w każdym pikselu. Końcowy obraz odpowiedzi gab lub wielkości pokazuje wysokie wartości pikseli związanych z zorientowanymi wzorcami, a tym samym uwydatnia struktury tkankowe o preferowanych cechach kierunkowych. Regiony o prawie takich samych poziomach szarości i bez zorientowanej tekstury nie są zachowywane w wyniku.

Ponadto dla każdej mammografii wygeneruj obraz odpowiedzi gab lub kątowej, ponownie używając najwyższej odpowiedzi w każdym pikselu. Ten obraz przedstawia kąt wzoru zorientowanego dominująco w każdym pikselu. Kąty na tym obrazie zgadzają się z kątami leżących pod spodem struktur tkankowych.

Tutaj odpowiedź Gabora na wielkość i odpowiedź na kąt Gabora są pokazane obok siebie. Prostokąty pokazują obszar zainteresowania zidentyfikowany przez radiologa. Dalszych szczegółów dostarczają te powiększone widoki interesującego nas obszaru.

Następnym krokiem jest wykorzystanie obrazu odpowiedzi wielkości Gabora do zidentyfikowania interesujących struktur liniowych krzywych za pomocą techniki tłumienia niemaksymalnego. Tutaj piksele zaznaczone na biało to wybrane piksele rdzenia, które są potencjalnymi wskaźnikami lub kolcami lub włóknistymi tkankami gruczołowymi. Teraz usuń piksele rdzenia powiązane z silnym gradientem, aby zapobiec błędnej identyfikacji struktur.

W ten sposób uzyskuje się interesujące nas struktury liniowe krzywej. Poniżej znajdują się szczegółowe informacje o tym samym regionie przed i po usunięciu pikseli powiązanych z silnym gradientem. Po wykonaniu tej czynności przefiltruj pole orientacji za pomocą filtra Gaussa i próbki w dół, aby zredukować szum i zmniejszyć niezbędne obliczenia.

Procedura oddawania głosów w fazie analizy portretowej jest pokazana tutaj. Oryginalna mammografia jest pokazana po lewej stronie, a związana z nią odpowiedź kąta gabora jest pokazana po prawej stronie po lewej stronie. Małe niebieskie okno pokazuje okno analizy przesuwane nad oryginalnym oknem obrazu.

Pozycje, które nie skutkują oddaniem głosu na mapie węzłów, są pomijane i nie są wyświetlane w oknie wideo. Pozycje, które skutkują oddaniem głosu na mapie węzłów, są oznaczone zieloną gwiazdką w odpowiedniej pozycji po prawej stronie na końcu procedury, mapa węzłów zawiera mapę punktów lub głosów do oddania, oczekuje się, że stosunkowo duża liczba głosów zostanie oddana w lokalizacjach zawierających rozbieżne lub zbieżne wzorce zorientowane. Filtr wygładzający lub akumulujący jest stosowany w celu uzyskania przefiltrowanej wersji mapy węzłów.

Lokalne piki są wykrywane na filtrowanej mapie węzłów, aby ułatwić wycinanie obszarów zainteresowania do dalszej analizy. Teraz uszereguj szczyty na mapie węzłów zgodnie z ich wartościami. Po wykonaniu tej czynności wytnij obszary zainteresowania z oryginalnego obrazu wyśrodkowane na odpowiednich szczytach na mapie węzłów dla węzłów na krawędziach, utwórz obszary zainteresowania, które zawierają tyle danych obrazu, ile jest dostępnych w określonej lokalizacji szczytu.

Rozpocznij charakterystykę, wybierając obszar zainteresowania, wstępnie go przetwarzając i wykonując dwuwymiarową transformację foyer. Pokazano tutaj logarytm widma mocy po przekształceniu go na biegunowe współrzędne częstotliwości i kąta. Kąt pokazany na osi poziomej waha się od zera stopni do 179 stopni.

Częstotliwość promieniowa na osi pionowej waha się od 0,02 milimetra do ujemnej do 2,5 milimetra do ujemnej z lewym górnym rogiem, 0,02 milimetra do ujemnej i zerowych stopni. Teraz przekształć widmo dwuwymiarowe w jednowymiarową funkcję częstotliwości przestrzennej. Całkując widmo mocy we współrzędnych biegunowych nad kątami dla każdej wartości częstotliwości przestrzennej.

Oto funkcja wykreślona na skali logarytmicznej, wyklucz obszary o niskiej i wysokiej częstotliwości i zastosuj regresję liniową w celu zidentyfikowania nachylenia dopasowanej linii. To nachylenie jest oszacowaniem współczynnika potęgowego beta ułamkowego brownie. Model w ruchu.

Użyj tego, aby obliczyć wymiar fraktalny w celu obliczenia entropii. Wróć do widma dwuwymiarowego we współrzędnych biegunowych. Przekształć go w jednowymiarową funkcję kąta, całkując go z wartościami częstotliwości przestrzennej.

Dla każdej wartości kąta znormalizuj funkcję tak, aby sumowała się do jednego. Następnie oblicz entropię wyniku. W tym momencie istnieją trzy miary dla każdego z nich.

Automatycznie wykrywany obszar zainteresowania, wartość węzła, wymiar fraktalny i entropia. Użyj ich, aby scharakteryzować spekulacyjne wzorce związane ze zniekształceniami architektonicznymi i oddzielić je od normalnych wzorców tkankowych. Opracuj klasyfikator przy użyciu obszarów zainteresowania sklasyfikowanych przez radiologa.

W tym miejscu w przestrzeni funkcji przedstawiono klasyfikacje regionów wyciętych z oznaczonych obrazów podczas trenowania, zielone dla wyników fałszywie dodatnich i niebieskie dla wyników prawdziwie dodatnich. Pokazano również dane wyjściowe wytrenowanego klasyfikatora dla analizowanego przypadku testowego. Kolor oznacza wyniki fałszywie dodatnie, a czerwony wyniki prawdziwie dodatnie.

Na tym wykresie linia przedstawia charakterystykę pracy odbiornika swobodnej odpowiedzi. Gdy używana jest tylko wartość węzła, ma czułość 80% z 8,1 fałszywie dodatnimi wynikami na pacjenta. Czerwona krzywa reprezentuje wyniki, gdy wartość węzła trzech cech, entropia i wymiar fraktalny są używane razem przy czułości 80%.

Daje to 5,6 wyników fałszywie dodatnich na pacjenta. Na tej ilustracji pokazano sześć regionów zainteresowania z najwyższymi rankingami. Liczby poza nawiasami wskazują klasyfikację zgodnie z klasyfikatorem Bayesowskim.

Liczby w nawiasach odpowiadają wcześniejszej klasyfikacji mapy węzłów. Zielone prostokąty reprezentują prawdziwie pozytywne obszary zainteresowania. W końcowym etapie analizy żółte prostokąty reprezentują wyniki fałszywie dodatnie.

Czerwony prostokąt to obszar ze zniekształceniami architektonicznymi zidentyfikowanymi przez radiologa. Trzy z wysoko sklasyfikowanych regionów pokrywają się z podejrzanym obszarem zniekształcenia architektonicznego zaznaczonym przez radiologa, co wskazuje na pomyślne wykrycie przez procedurę. Po dalszych pracach nad optymalizacją naszych algorytmów i programów, procedury te mogą być stosowane do mammografii w klinice poprzez włączenie komputera z naszym oprogramowaniem i odpowiednimi systemami wyświetlania do pracy radiologa.

Podążając za naszymi procedurami, można opracować inne metody, aby odpowiedzieć na dodatkowe pytania, takie jak zniekształcenia architektoniczne i guzy piersi rozwijające się z czasem. Wyniki naszych zabiegów mogłyby zostać włączone do praktyki radiologicznej, co pozwoliłoby na rozpoznanie raka piersi we wczesnym stadium, a tym samym na poprawę wyników leczenia.