Detecção de distorção arquitetural em mamografias anteriores Via Análise de Padrões Orientada

O objetivo geral deste procedimento é detectar sinais sutis de câncer de mama, em particular, distorção arquitetônica em mamografias. Isso é feito primeiro pré-processando uma determinada mamografia para detectar a porção da mama e remover artefatos na imagem mamográfica fornecida. O segundo passo é detectar estruturas orientadas na imagem aplicando um banco de filtros Gabor.

Em seguida, o campo de orientação é analisado usando retratos de fase para detectar padrões semelhantes a nós que podem indicar a presença de distorção arquitetônica. A etapa final é analisar todas as regiões detectadas extraindo atributos ou medidas que caracterizam a distorção arquitetônica e auxiliam na rejeição de alarmes falsos. Por fim, as áreas suspeitas confirmadas são apresentadas ao radiologista para análise posterior, e a eficiência do procedimento é avaliada em comparação com os resultados de testes clínicos, como biópsia.

A principal vantagem de nossa técnica sobre os métodos existentes, como a detecção de massas por computador, é que somos capazes de detectar sinais sutis de distorção arquitetônica sem que um tumor ou massa central seja evidente. As implicações desta técnica se estendem ao diagnóstico e tratamento do câncer de mama. Facilita o diagnóstico dos estágios iniciais do câncer de mama e, portanto, melhora o prognóstico do tratamento.

A demonstração visual desse método é crítica. As etapas de processamento de imagem são difíceis. Existem várias etapas intrincadas que são matematicamente complexas.

As etapas deste protocolo são feitas usando uma combinação de software personalizado e empacotado. Inicie o procedimento com uma mamografia digitalizada amostrada com um filtro gaussiano. Segmente a região da mama na imagem usando o método de limiar adaptativo de tzu e identifique o limite aproximado da mama.

Em seguida, extraia padrões orientados usando filtros Gabor. Um filtro Gabor é um filtro passa-banda anisotrópico com uma orientação preferida. Esta função de filtro Gabor real é orientada a menos 90 graus.

Os sigmas são desvios padrão ao longo dos respectivos eixos, e o nó F é a frequência da modulação. Filtros senoidais em outros ângulos são obtidos usando uma transformação de coordenadas. Esta animação mostra a resposta ao impulso de um filtro Gabor à esquerda e a resposta espectral ou de frequência na nota direita, as mudanças à medida que o ângulo de orientação começa em 90 graus negativos e passa por 180 graus à direita Nó Sigma X e F em termos de tau, a largura total na metade do máximo do termo gaussiano.

Escreva também sigma Y como um L múltiplo de sigma X.Agora, tau e L controlam a frequência central e a largura de banda do filtro e a largura e o comprimento dos componentes orientados a serem filtrados nesta animação. O valor de tau no filtro Gabor é variado, mantendo todos os outros parâmetros constantes. À medida que tau é aumentada, a largura da função de Gabor no domínio do espaço é aumentada e a frequência central da resposta de frequência é diminuída.

Esta animação mostra o efeito do parâmetro L na resposta ao impulso e na resposta espectral de um filtro Gabor. Para aplicações práticas, devem ser escolhidos valores apropriados para tau e L e vários filtros devem ser usados. Este vídeo mostra a aplicação de 180 filtros Gabor a uma imagem de teste de uma planta com peças orientadas em vários ângulos.

É evidente que a resposta do filtro Gabor captura os componentes orientados presentes na imagem em vários ângulos. A resposta máxima em cada pixel em todos os ângulos de filtro usados é salva em uma única imagem chamada de resposta de magnitude Gabor. O ângulo correspondente do filtro Gabor é salvo para cada pixel em outra imagem chamada de resposta do ângulo Gabor.

Escolha os valores apropriados de tau e L para mamografia. Em seguida, aplique à imagem um banco de 180 filtros Gabor reais uniformemente espaçados na faixa de menos 90 graus a mais 90 graus. Cada filtro extrai os componentes orientados da mamografia em seu espaço correspondente.

A direção do domínio para cada mamografia gera uma imagem de resposta de gab ou magnitude usando a resposta de maior magnitude em cada pixel. A imagem final de resposta de gab ou magnitude mostra valores altos para pixels relacionados a padrões orientados e, portanto, destaca estruturas de tecido com características direcionais preferidas. Regiões com quase os mesmos níveis de cinza e nenhuma textura orientada não são retidas no resultado.

Além disso, para cada mamografia, gere uma imagem de resposta de gab ou ângulo, novamente, usando a resposta mais alta em cada pixel. Esta imagem fornece o ângulo do padrão orientado dominante em cada pixel. Os ângulos nesta imagem concordam com os ângulos das estruturas teciduais subjacentes.

Aqui, a resposta da magnitude de Gabor e a resposta do ângulo de Gabor são mostradas lado a lado. Os retângulos mostram uma região de interesse identificada por um radiologista. Mais detalhes são fornecidos por essas vistas ampliadas da região de interesse.

O próximo passo é usar a imagem de resposta de magnitude de Gabor para identificar estruturas lineares de curva de interesse com a técnica de supressão não máxima. Aqui, os pixels marcados em branco são os pixels centrais selecionados que são indicadores potenciais, espículas ou tecidos fibroglandulares. Agora, remova os pixels principais associados a um gradiente forte para evitar a identificação errônea de estruturas.

Isso produz as estruturas lineares curvas de interesse. Aqui estão os detalhes da mesma região antes e depois da remoção de pixels associados a um gradiente forte. Feito isso, filtre o campo de orientação com um filtro gaussiano e diminua a amostra para reduzir o ruído e reduzir o cálculo necessário.

O procedimento de emissão de votos na análise de retrato de fase é mostrado aqui. A mamografia original é mostrada à esquerda e a resposta do ângulo gabor relacionada é mostrada à direita à esquerda. A pequena janela azul mostra a janela de análise sendo deslizada sobre a janela de imagem original.

As posições que resultam em nenhum voto no mapa de nós são ignoradas e não são mostradas na janela de vídeo. As posições que resultam em um voto no mapa de nós são marcadas com um asterisco verde na posição correspondente à direita no final do procedimento, o mapa de nós contém um mapa de pontos ou votos a serem emitidos, espera-se que um número relativamente grande de votos seja lançado em locais contendo padrões orientados divergentes ou convergentes. Um filtro de suavização ou acumulação é aplicado para obter uma versão filtrada do mapa de nós.

Picos locais são detectados no mapa de nós filtrado para facilitar o corte de regiões de interesse para análise posterior. Agora classifique os picos no mapa do nó de acordo com seus valores. Feito isso, corte as regiões de interesse da imagem original centralizadas nos picos correspondentes no mapa de nós para os nós nas bordas, crie regiões de interesse que incluam o máximo de dados da imagem disponíveis no local de pico especificado.

Comece a caracterização selecionando uma região de interesse, pré-processando-a e realizando uma transformação de foyer bidimensional. Aqui é mostrado o logaritmo do espectro de potência depois de ter sido convertido em coordenadas polares de frequência e ângulo. O ângulo mostrado no eixo horizontal varia de zero grau a 179 graus.

A frequência radial no eixo vertical varia de 0,02 milímetros para o negativo a 2,5 milímetros para o negativo com o canto superior esquerdo, 0,02 milímetros para o negativo e zero grau. Agora transforme o espectro bidimensional em uma função unidimensional da frequência espacial. Integrando o espectro de potência em coordenadas polares sobre os ângulos para cada valor da frequência espacial.

Aqui está a função plotada em uma escala logarítmica, excluir regiões de baixa e alta frequência e aplicar regressão linear para identificar a inclinação da linha ajustada. Essa inclinação é uma estimativa do fator de lei de potência beta do brownie fracionado. Modelo em movimento.

Use isso para calcular a dimensão fractal para calcular a entropia. Retornar ao espectro bidimensional em coordenadas polares. Transforme-o em uma função unidimensional do ângulo, integrando-o sobre os valores de frequência espacial.

Para cada valor do ângulo, normalize a função para que ela some um. Em seguida, calcule a entropia do resultado. Neste ponto, existem três medidas para cada um.

Região de interesse, valor do nó, dimensão fractal e entropia detectados automaticamente. Use-os para caracterizar padrões especulativos relacionados à distorção arquitetônica e separá-los dos padrões normais de tecido. Desenvolva um classificador usando regiões de interesse classificadas por um radiologista.

Aqui são mostradas no espaço de recursos as classificações de regiões cortadas de imagens rotuladas durante o treinamento: verde para falsos positivos e azul para verdadeiros positivos. Também são mostradas as saídas do classificador treinado para o caso de teste que está sendo analisado. O preto mostra falsos positivos e o vermelho verdadeiros positivos.

Neste gráfico, a linha preta mostra a curva característica de operação do receptor de resposta livre. Quando apenas o valor do nó é usado, ele tem uma sensibilidade de 80% com 8,1 falsos positivos por paciente. A curva vermelha representa os resultados quando o valor do nó de três recursos, a entropia e a dimensão fractal são usados juntos com 80% de sensibilidade.

Isso resulta em 5,6 falsos positivos por paciente. Nesta imagem, são mostradas as seis regiões de interesse com as classificações mais altas. Os números fora dos parênteses indicam a classificação de acordo com o classificador bayesiano.

Os números entre parênteses correspondem à classificação anterior do mapa de nós. Os retângulos verdes representam regiões de interesse verdadeiramente positivas. No estágio final da análise, os retângulos amarelos representam falsos positivos.

O retângulo vermelho é a região com distorção arquitetônica identificada por um radiologista. Três das regiões altamente classificadas se sobrepõem à área suspeita de distorção arquitetônica marcada pelo radiologista, indicando detecção bem-sucedida pelo procedimento. Após mais trabalhos de otimização de nossos algoritmos e programas, os procedimentos podem ser aplicados a mamografias em uma clínica, incorporando um computador com nosso software e sistemas de exibição adequados ao fluxo de trabalho de um radiologista.

Seguindo nossos procedimentos, outros métodos podem ser desenvolvidos para responder a perguntas adicionais, como a distorção arquitetônica e os tumores de mama se desenvolvem ao longo do tempo. Os resultados de nossos procedimentos podem ser incorporados à prática radiológica, resultando no diagnóstico do câncer de mama em seus estágios iniciais e, portanto, melhorar os resultados do tratamento.