Методическая статья

Обнаружение архитектурного искажений в предыдущих Маммограммы Через Анализ ориентированных шаблонов

42.9K просмотров

⸱

DOI:

10.3791/50341

⸱

30 августа 2013 г.

 ,  , 
1Department of Electrical and Computer Engineering, Schulich School of Engineering, University of Calgary , 2Department of Radiology, University of Calgary

В этой статье

Краткое содержание

Мы демонстрируем методы для обнаружения архитектурного искажения в предыдущие маммографию. Ориентированные структуры анализируются с помощью фильтров Габора и фазовые портреты для обнаружения сайты излучающих узоры тканей. Каждый сайт характеризуется и классифицированы с использованием меры для представления моделей spiculating. Методы должны помочь в выявлении рака груди.

Аннотация

Мы демонстрируем методы для обнаружения архитектурного искажения в предыдущие маммографию случаев интервал с раком на основе анализа ориентации модели ткани молочной железы в маммографию. Мы предполагаем, что архитектурный искажения изменяет нормальную ориентацию модели ткани молочной железы в маммографических изображений до образования массы или опухоли. На начальных ступенях наших методов, ориентированные структуры в данной маммографии анализируются с помощью фильтров Габора и фазовые портреты для обнаружения узлов, как сайты излучающих или пересекающихся узоры тканей. Каждый обнаруженный сайт будет характеризоваться использованием значения узла, фрактальной размерности и меру угловой дисперсии, специально предназначенные для представления моделей spiculating, связанные с архитектурной искажений.

Наши методы были испытаны с базой данных 106 ранее маммографию из 56 случаев интервал с раком и 52 маммографию из 13 обычных случаях с использованием функции, разработанные дляхарактеристика архитектурного искажения, классификации образов через квадратичной дискриминантного анализа и проверки с несмываемый один пациент вне процедуры. По результатам приемника бесплатно-ответ характеристической анализ, наши методы продемонстрировали возможность обнаруживать архитектурный искажения в предыдущие маммографию, принято 15 месяцев (в среднем) до клинической диагностики рака молочной железы, с чувствительностью 80% при о пять ложных срабатываний на одного пациента.

Введение

Рак молочной железы является одной из основных заболевание, поражающее женщин и является второй по значимости причиной рака, связанных смерти среди женщин 1,2. В целях повышения шансов на выживание и прогноз пострадавших пациентов посредством эффективного лечения на ранних стадиях рака молочной железы, заболевание должно быть обнаружено как можно раньше. В ретроспективном анализе случаев рака молочной железы, тонкие признаки нарушений были отмечены на ранее приобретенных скрининга маммографию 3,4. Архитектурный искажение является одним из таких локализованных маммографической признак ранних стадиях, возможно, рака молочной железы, которые трудно обнаружить 5,6. Соответствующие шаблоны смутно описать как искажение нормальной структуры молочной железы с нет определенного масса видны. Архитектурный искажения могут появиться на начальных этапах формирования массы груди или опухоли. Мы предполагаем, что скрининг маммографию, полученные до обнаружения рака молочной железы сульд содержат тонкие признаки ранних стадиях рака молочной железы, в частности, архитектурных искажений.

На рисунке 1а показана предварительное маммографического образ случае рака экрана-обнаружено. Область аномалии определены радиолога (JELD) описана с красным прямоугольником. До маммография было принято 24 месяцев до маммографии обнаружения, показанной на рисунке 1b. До маммография была объявлена ​​свободной от признаков рака в исходном экземпляре скрининга. В ретроспективном анализе и по сравнению с маммографии обнаружения, подозрительной области, относящаяся к участку рака обнаруженного метили рентгенолога, и выделены красным цветом на предварительного маммографии. Подозрительный область содержит признаки архитектурного искажений, в том числе спикул.

Диагностика (CAD) методы и системы Автоматизированные предлагают потенциал для достижения повышенной чувствительностью в обнаружении Бреаул рак 2,7-9. Тем не менее, по сравнению с количеством публикаций, которые существуют в литературе по обнаружению других признаков рака молочной железы, таких как масс и кальцификации, были зарегистрированы на обнаружении архитектурного искажения лишь небольшое число исследований в отсутствие центральная масса 10-17. Коммерчески доступные САПР Было обнаружено, что плохо работают в обнаружении архитектурного искажений 18. Исследования по обнаружению архитектурного искажения в предыдущие маммографию экранных-обнаружен или интервал-раковых случаев 3,4,19-22 могли бы помочь в разработке стратегий для выявления и лечения заболеваний молочной железы на ранних стадиях, и привести к улучшению прогноз для пациента 23.

Подготовка изображения для эксперимента

Эксперименты проводились с 158 маммографических изображений, включая 106 ранее маммографию из 56 лиц диагнозс раком молочной железы и 52 образов 13 здоровых людей. Утверждение этики для исследования были получены из исследований в области здравоохранения Совета Совместного этике, Управления медицинской биоэтике Университета Калгари и Калгари регионального органа здравоохранения. Изображения были получены из экрана Test: Альберта программа раннего выявления рака молочной железы 21,24,25.

Маммография, приобретенные в последней календарной визита в программе скрининга до диагностики рака вне программы скрининга были помечены как ранее маммографию случаев интервал с раком. Соответствующие диагностические маммография не были доступны. Все, кроме двух 106 ранее маммографию было объявлено быть свободным от каких-либо признаков рака молочной железы на момент их приобретения и анализа в программы скрининга; лица, соответствующие двум другим маммографию был передан для биопсии. Временной интервал между диагностике рака и предыдущие маммографию колебалась от 1,5 месяцас до 24,5 месяцев, в среднем 15 месяцев и стандартным отклонением 7 месяцев. Все из известных маммографию случаев интервал-раковых доступных в базе данных были включены в настоящем исследовании, за исключением шести изображений, в которых не могут быть определены никаких подозрительных части.

В экран-пленка маммография были оцифрованы в пространственным разрешением 50 мкм и полутонового разрешением 12 бит на пиксель, используя Lumiscan 85 лазерный сканер (Lumisys, Саннивейл, Калифорния). Эксперт радиолог специализируется на маммографии (JELD) отзывы все 106 предыдущих маммографию случаев интервал с раком и отмечены подозреваемых регионы архитектурного искажений с прямоугольными коробками на основе докладов, представленных на последующей визуализации или биопсии, либо посредством подробных осмотра маммографию . Из 106 ранее маммографических изображений в наборе данных, используемой в настоящем исследовании, 38 изображения имеют видимый архитектурный искажения, а оставшиеся 68 изображений содержат сомнительные или нет четко эвIDent архитектурный искажения. Каждый перед маммография содержит единственный сайт архитектурного искажения, как это определено в прямоугольной коробке, запряженной рентгенолога. Средняя ширина, высота, и площадь 106 подозрительных частях изображений, отмеченных рентгенолога являются 56 мм, 39 мм, и 2274 мм 2, со стандартным отклонением 11,8 мм, 11,6 мм и 1073,9 мм 2, соответственно.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

1. Обзор методологии

В нашей процедуре, потенциальные сайты архитектурного искажения маммографию определяются автоматически с помощью анализа ориентированных текстурных узоров с применением берегу фильтров Габора 26 и моделирование фазовых портретов 11,27. Обнаруженные сайты затем обрабатываются через этапы извлечения функций или мер, чтобы охарактеризовать архитектурный искажения, развитие обученного классификатора, и применение алгоритма распознавания образов или классификации. Процедура суммированы с помощью следующих стадий 11,20,21:

  1. Сегмент часть груди в данном маммографического изображения, используя адаптивный порог и морфологического открытия.
  2. Применить набор 180 фильтров Габора с углами расположенных равномерно в диапазоне -90 ° до +90 °, чтобы получить величину изображения Габора, М (I, J), а угол изображение Габор, θ(I, J), путем выбора ответа и угол фильтра с наивысшим ответ на каждый пиксель, (I, J).
  3. Выберите криволинейные структуры (CLSS), представляющих интерес, таких, как спикул и fibroglandular ткани, путем разграничения их от смешанных структур, таких как краям грудной мышцы, паренхимы ткани, молочной границы, и шума, с помощью поля ориентации, градиент поля, немаксимальная подавление (NMS) метод, а также дополнительные условия 11.
  4. Фильтр поле ориентации с фильтром Гаусса со стандартным отклонением 7 пикселей и вниз-образца в четыре раза, чтобы уменьшить шум и дальнейшие вычислительные требования 11,20.
  5. Применить линейный фазового портрета моделирование, с выдвижной окне анализа размера 10 х 10 пикселей при 800 мкм / пиксель, с одного пикселя на шаг, к отфильтрованной области ориентации, со специфическими условиями для выбора фазы портрет карты, связанные с конкретными типами узел ПаттиRNS 11,20.
  6. Проголосовать, если выполняются определенные условия, в положении, заданной фиксированной точки для каждого положения окна анализа для формирования карту узла.
  7. Фильтр карту узла с гауссовым окном размера 35 х 35 пикселей, с эмпирически определяется стандартным отклонением 6 пикселей (4.8 мм), чтобы закрепить голосов в непосредственной близости друг к другу.
  8. Анализ карту узла по рангу упорядочения пики в карте узла.
  9. Cut регионах, представляющих интерес (Rois), размером 128 х 128 пикселей, кроме по краям, от исходного изображения, с центром каждого ROI, расположенного в центре соответствующего пика в карте узла. По краям изображение обрабатывается, создать трансформирования включить как можно больше данных изображения как доступны в указанной окне.
  10. Вывести функции или меры по характеризуют закономерности spiculating, связанные с архитектурной искажения и отделения их от обычных моделей тканей, что встречался с некоторыми из начальных условий.
    11. <литий> Разработка обученный классификатор различать особенности сайтов с архитектурной искажения и у нормальных моделей тканей с использованием тренировочный набор трансформирования, классифицированных по рентгенолога.
  11. Применить обученную классификатор с набором тестов и проверки результатов с диагнозом предоставляемые рентгенолога и на основе биопсии.

Шаги 1-9 перечисленных выше применяются автоматически к данному маммографического изображения. Отдельные этапы процедуры, перечисленные выше описаны и проиллюстрированы в следующих разделах.

2. Предварительная обработка маммографические изображения

Этап предварительной обработки состоит из следующих этапов:

  1. Фильтр данную маммографического изображения с помощью фильтра Гаусса, со стандартным отклонением 2 пикселя и размером 13 х 13 пикселей с разрешением 50 мкм / пиксель и 12 бит / пиксел, и вниз-образца до 200 мкм / пиксель и 8 бит / пикселов.
  2. Отражатьизображение, если это правой молочной железы.
  3. Сегмент область груди в маммографического изображения, используя адаптивный метод пороговой Оцу в и морфологического открытия с дискообразной структурного элемента радиуса 25 пикселей (5 мм при 200 мкм / пиксель) 21,28,29.
  4. Обнаружение приблизительное груди пограничный 10,21.

Фиг.2А показывает оригинальный до маммографии. Фиг.2В из той же фигуре показан результат приближенного сегментации части молочной железы, который используется в последующих стадий обработки и анализа.

3. Добыча ориентированных моделей с использованием фильтров Габора

Реальная функция фильтра Габор ориентирована на -90 ° задается в нашей работе в качестве 10,30:

figure-protocol-1
где & #963; х и σ у стандартные значения отклонения в направлениях Х и Y., и ƒ о-частота модулирующего синусоиды. Фильтры под другими углами получаются вращением этой функции с помощью преобразования координат как:

figure-protocol-2
где (х ', у') является набор координат, повернутых на угол α.

Параметры в уравнении 1 для фильтрации маммографию получены в нашей работе с учетом среднего размера из шаблонов ткани молочной железы, чтобы быть обнаруженными, следующим 10:

  1. Пусть Τ быть полной ширины на половине высоты гауссовского термина в уравнении 1 вдоль оси х.
  2. Пусть Τ = 4 пикселей, что соответствует толщине 00,8 мм при размером пиксела 200 мкм.
  3. Вычислять figure-protocol-3 .
  4. Пусть период косинуса быть Τ, а затем, ƒ о = 1 / Τ.
  5. Пусть величина σ у быть определена как σ у = lσ х, где L определяет удлинение фильтр Габора в направлении у, по сравнению с шириной фильтра в направлении х. Для анализа маммографию при 200 мкм / пиксель, использование л = 8.

Банк 180 реальном фильтров Габора равномерно распределены в пределах диапазона -90 ° до +90 ° используется в наших методов обнаружения ориентированных моделей в маммографии 10, 21. Для каждого заданного изображения, величина Габора изображение, M (I, J), а угол изображение Габора, θ (I, J), получены с помощью реакции и угол гоэ Габор фильтр с наибольшим ответ на каждый пиксель, (I, J).

Фильтр Габора имеет ненулевую АЧХ в начале координат частотной плоскости (нулевой частоты). Поскольку низкочастотные компоненты не связаны с наличием архитектурного искажений, желательно уменьшить влияние низкочастотных компонентов маммографической изображение в поле ориентации величины. Таким образом, маммографические изображения верхних частот фильтруют до извлечения области ориентирования. Это достигается путем вычисления разности между исходным изображением и нижних фильтруют версии того же изображения. Фильтр нижних частот используется на этой стадии представляет собой фильтр Гаусса со стандартным отклонением σ, равным Y, как определено выше.

Хотя можно было бы спасти фильтрованное изображение для каждого угла интересов, в настоящей работе, максимальный отклик в каждом пикселе над все фильтры (углов) используетсясохранены в одном изображении, называют АЧХ Габора; соответствующий угол фильтра Габора сохраняются в каждом пикселе в другом изображении, называют углом ответ Габора. Вместе эти два вывода изображения обеспечивают поле ориентации данного изображения.

3А показывает тестовое изображение растения. 3В показывает спектр Фурье изображения, на которых изображены концентрации энергии под различными углами. Все части изображения с той же ориентацией, независимо от их положения и размера, имеют свои частотные составляющие (спектральная энергия) расположен в угловой группы или сектора, расположенного под углом 90 ° по отношению к их ориентации на изображении. Результаты фильтрации изображения с фильтров Габора с Τ = 8 пикселей и л = 8, показаны на рисунках 3C и D. Очевидно, что фильтры Gabor добыли части растения, ориентированных под различными углами с высокой магответ чина и что ответ угол согласуется с ориентацией Доминантой настоящее в соответствующем пикселе. С помощью банка фильтров Габора, ориентированных под несколькими углами в диапазоне -90 ° до +90 °, мы извлекли все ориентированных компонентов, присутствующих в изображении и их углов в каждом пикселе. Очевидно, что отклик фильтров Габора почти равна нулю в гладких областях с тем же уровнем интенсивности и никаких структур с преимущественной ориентацией, такой как части горшка и стеной.

На рисунке 4 показаны Gabor величина и угол ответов, полученных для маммографии с архитектурной искажения, показанной на рисунке 2B. Очевидно, что фильтры Габора извлекли ориентированные компоненты с высоким ответов, а также соответствующих углов. Видно также, что отклик фильтров Габора является низким в гладких областях с почти постоянной плотностью и без каких-либо структур с предпочтительной ориентацииТион. При близком рассмотрении, это также можно наблюдать, что отклик фильтров Габора зависит от контраста ориентированной структурой по отношению к его фона и не только от его плотности или яркости. Эти результаты были достигнуты благодаря полосового природы фильтров Габора.

4. Выбор криволинейных конструкций

Маммограммы содержат много CLSS соответствующие протоков, сосудов, связок, паренхимы ткани, и ребер грудной мышцей. Некоторые аномалии в маммограмм может быть характеризуется наличием определенных типов CLS, таких как spiculated масс 12,31,32 и 10,11,33 архитектурного искажения, или путем асимметрического структуре, ориентированной структурой в изображении молочной железы 34. С другой стороны, некоторые типы повреждений, таких как ограниченных масс, может быть закрыт несколькими CLSS накладывается на повреждений в прогнозируемых маммографии изображений; появление таких повреждений может быть альтдов и может привести к ложно-отрицательный обнаружения или ошибочного диагноза. Анализ CLSS настоящее время в маммографии может повысить производительность алгоритмов для обнаружения spiculated масс и архитектурного искажения, как это было предложено Zwiggelaar др.. 35. Таким образом, идентификация CLSS является важным шагом в обнаружении архитектурного искажений.

Хотя банк фильтров Габора, используемый в данной работе чувствителен к линейных структур, таких как игл и волокон, он также обнаруживает другие сильные края, например, краев грудной мышцы, краев ткани паренхимы и стенках сосудов, в качестве ориентированных структур . Сильные края вокруг fibroglandular диска 36 могут быть использованы в обнаружении определенной формой архитектурного искажений 37, известного как координационного втягивания. Тем не менее, в данной работе, важно, чтобы только CLSS связанные с fibroglandular тканей идентифицированы как ориентированных функций.

  1. Сегмент область груди в данном маммографии, как описано в разделе 2.
  2. Обнаружение основных CLS пикселей, применяя NMS технику 35,38 на АЧХ изображения Габор.
  3. Отклонить CLSS пикселей на участках с сильным градиентом 33.

Алгоритм NMS указывает основные CLS пикселей путем сравнения каждого пиксела в изображении АЧХ с соседями вдоль направления, которое перпендикулярно местного угла поля ориентации, см. рисунок 5. Если пиксел под следствием имеет большее значение величине, чем соответствующие соседей, пиксель является основным CLS пиксел. NMS является общим шагом во многих краевых детекторов (например, Canny края детектора 39). Zwiggelaar соавт. 35 используемые NMS для обнаружения CLS пикселей таким же образом, как описано в данномраздел.

Наличие сильного градиента может вызвать пульсацию в величине реакции Габора, что приводит к ошибочному обнаружению CLS. Пиксели основные CLS, связанные с наличием сильных градиентов отвергаются критериям, предложенным Karssemeijer и тэ Brake 12 в контексте выявления spiculated поражений. Градиент маммографического изображения получены с использованием первую производную гауссианом со стандартным отклонением пяти точек (1 мм). Для каждого основного CLS пикселя, направление градиента по сравнению с направлением поля ориентации. Если разница между направлением поля и ориентации в направлении, перпендикулярном к градиенту меньше 30 °, соответствующий сердечник CLS пиксель отбрасывается.

В CLSS в пределах fibroglandular диске обычно имеют уменьшенный контраст по сравнению с CLSS за пределами fibroglandular диска. Следовательно, CLSS внутри FIBroglandular диска имеют меньшие Gabor амплитудные значения отклика, чем CLSS за пределами диска. Для того чтобы назначить тот же вес, чтобы все пиксели CLS независимых от местоположения, и обеспечить обнаружение соответствующего CLSS с низкой контрастностью, например, игл внутри fibroglandular диска, величина поля M (I, J) заменяется на дальнейшей обработки изображения, состоящими только сердечник CLS пикселей, M CLS (I, J), определяется следующим образом:

figure-protocol-4
Образ М CLS (I, J) передает важную информацию о присутствии CLSS. Рисунок 6 показывает результаты выбора CLS с полным маммографии и ROI. Поскольку присутствие архитектурного искажений обозначается геометрического расположения ассоциированной CLSS а не их плотности или интенсивности, с Магниамплитуда обнаруженного CLSS является более низкой, чем значение пространственного расположения ориентированных структур.

5. Обнаружение и маркировка подозрительных сайтов с помощью анализа фазовых портретов

Рао и Джейн 40 разработали метод для анализа ориентированного текстуры в изображения, связывая соответствующий градиент поля ориентации с появлением фазовых портретов. Фазовый портрет системы двух линейных, первого порядка, дифференциальных уравнений показывает возможные траектории переменных состояния 27.

Пусть р (т) и д (т), т figure-protocol-5 R, представляют собой два дифференцируемые функции времени T, связанные как

figure-protocol-6
Здесь,р • (т) и д • (т) являются производные первого порядка по времени, и F и G являются функциями р и д 10. Учитывая начальные условия р (0) и д (0), решение [р (т), д (т)], можно представить в виде параметрического траектории или рационализации гипотетического частицы в (P, Q ) самолет. Частица находится в [р (0), д (0)] в момент времени т = 0 и движется через (р, д) плоскости со скоростью [р • (т) и д • (т)]. (P, Q) самолет известен как фазовой плоскости системы. Фазовый портрет представляет собой график возможных траекторий частицы в фазовой плоскости. Фиксированная точка является точкой на фазовой плоскости, где р • ( м> т) = 0 и д • (т) = 0. Частица оставили в фиксированной точке остается неподвижным. Для аффинной системы, у нас есть

figure-protocol-7
Здесь, в 2 х 2 матрица и В представляет собой столбец матрицы 2 × 1. Центр (р 0, q0) фазового портрета дается неподвижной точки, как

figure-protocol-8
Если мы сопоставим функции р (т) и д (т) с х и у координат плоскости изображение обрабатывается, соответствующий поле ориентация

res.jpg "ширина =" 500 "/>
Здесь Φ (ху) является угол вектора скорости [р • (т), Q • (т)] по отношению к оси х в точке (х, у) = [р (Т), д (т)] . Мы связываем Φ (ху) с углом отклика θ Габор (I, J), и определить функцию ошибки свести к минимуму как

figure-protocol-9
где [а, Ь] и [с, а] являются два ряда. Последний член предусматривает более высокий штраф (стоимость) для отклонения в конфигурации матрицы А от тех, которые касаются spiculated шаблонов узлов. Приведенного выше уравнения представляет Φ (XY) на дискретной сетке (I, J), а не в непрерывном пространстве (х, у). EstimТочные оценки А и B, которые минимизируют ε 2 (А, В) получаются по следующей методике:

  1. Получить первоначальные оценки А и В через минимизации ε 2 (А, Ь) при помощи кнопочной метод отжига 41.
  2. Получить оптимальные оценки, уточнив первоначальные оценки, используя нелинейный алгоритм наименьших квадратов 42.

В модели, описанной выше, есть три возможных типа фазовых портретов: узел, седло, и спиральные. Тип фазового портрета определяется собственных значений 10,27,30,40. Поле ориентация текстурированной изображение может быть описана определения типа фазового портрета, который наиболее близок к его ориентации области. Потому что спиральные узоры не представляют интереса в анализемаммографию, мы ограничиваем матрицу А, чтобы быть симметричным, в результате только двух типов фазовых портретов: узлов и седло.

Потому что о возможном присутствии ряда спикул под различными углами, которые накладываются в проектируемой маммографического изображения, мы предполагаем, что на сайт архитектурного искажения представит узлов, как характеристики. Тем не менее, нормальные ткани, воздуховоды, сосуды и другие ориентированные структуры в груди может также получить прогнозам и накладываются, образуя узоры, которые имитируют внешний вид архитектурного искажения в маммографии. Таким образом, мы анализируем карту узла для выявления подозрительных сайтов или потенциальных объектов архитектурного искажения, и проанализировать обнаруженные сайты через дальнейших шагах выделения признаков и классификации образов.

Потому что маммография может проявлять несколько шаблонов, мы применяем скользящее окно анализа размера 10 х 10 пикселей, при 800 мкм / пиксель, с опе пиксель за один шаг. Для каждой позиции окна, голосование будет брошена в карте, именуемой карте узла, в местоположении, определенных соответствующей неподвижной точке, если все условия, применяемых удовлетворены. Результаты, связанные с матрицей А с его обусловленности выше, чем 3.0 отвергаются игнорировать закономерности не ожидается, будут связаны с архитектурным искажений 11. Кроме того, дополнительное условие накладывается от расстояния между фиксированной точкой и положение в соответствующем окне анализа: если расстояние составляет менее трех пикселей (2.4 мм) или больше 20 пикселей (16 мм), результаты для тока Окно анализа отклоняются. Величина голосования устанавливается равным отношением меры подходят ε 2 (А, Ь), определено в уравнении 7, в число обусловленности, чтобы подчеркнуть изотропию фазового портрета. Карта узел затем анализируют для определения Locаль максимумы или пики, которые, как ожидается, показывают участки архитектурного искажений. Однако процедура также приводит к обнаружению ряда ложноположительных (ФП) сайтов из-за наложенных нормальных структур.

На каждом пике в карте узла, мы автоматически извлечь ROI, из размер 128 х 128 пикселей исключением краев изображений, из маммографической изображения в 200 мкм / пиксель. Мы маркировать трансформирования в местах, обозначенных пиков в карте узла, в порядке убывания значений пиков, до максимум 30 трансформирования в маммографии.

Когда маммографию с известными диагнозами используются для обучения нашу процедуру, автоматически определяется трансформирования с центрами в рамках частей архитектурного искажения определены рентгенолога помечены как верно-положительной (ТП) Rois, остальные помечены как FP трансформирования для использования в процедура подготовки. Когда маммографии анализируют с помощью обученного процедуру, все трансформирования обнаруженос выше обрабатываются для классификации без маркировки.

На рисунке 7 показана карта узла и трансформирования обнаруженные для маммографии, показанной на рисунке 2B. Красные прямоугольники указывают на подозрительную область, отмеченную рентгенолога.

На рисунке 8 показана ряд ТП и ПС трансформирования извлеченных автоматически из нескольких маммографию. Большинство трансформирования TP иметь несколько спикулы и ориентированы шаблоны распространяются в широком диапазоне углов. FP трансформирования, с другой стороны, имеют меньшее количество нормальных тканевых структур, ориентированных в более узком диапазоне углов; независимо, из-за их суперпозиции в проецируемом изображении маммографической, они имитируют Узел как характеристики архитектурного искажений.

Наша стратегия заключается в обнаружении подозрительных регионы с высокой эффективностью или чувствительности на начальном этапе (с соответственно низким ложных негативов), даже если сопровождающий число из FPs велико. Следующим шагом анализа трансформирования предназначен, чтобы помочь уменьшить УФСИН по эффективной характеризации и классификации обнаруженного трансформирования.

6. Характеристика архитектурного искажений

Автоматически определяется ROI в том числе архитектурного искажений, с центром в пику в соответствующей карте узла, скорее всего, обладают рядом спикулы разбросанные под различными углами. Мы ожидаем, что эта характеристика, приведет к широкому углового разброса энергии в области изображения и спектральной энергии в области Фурье. В наших предыдущих работах, мы показали, что такой угловой дисперсии могут быть представлены эффективно в виде розового схеме, которая является угловой гистограмма 21,22. Мы нормализовать схему розы иметь единицу площади и рассматривать его как функции плотности вероятности (PDF). Тогда, мы характеризуем PDF каждого ROI использованием энтропии, которая является статистическая мера беспорядка или разброса.

ontent "> увеличен разброс моделей тканей в регионах с архитектурной искажения изменяет фрактальный характер нормальной ткани молочной железы. Обычно используемые модели фракталов основаны на многомасштабных вложенных шаблонов самоподобных моделей 43-46. Другая модель фрактальной поведения дробное броуновское движение (ФБМ), что связано с спектра в частотной области, в котором мощность уменьшается пропорционально (1 / F) ^ β, где е является частота и β известен как спектральной составляющей 47,48. FBM модель приводит к фрактальных изображений, которые похожи на случайных узоров облачность;. сопоставимые модели часто видели в маммографию Чтобы применить эту модель к изображениям, двумерный (2D) спектра Фурье изображения должны быть преобразованы в один -мерной функции (1D).

Мы разработали комплексный метод для характеристики угловой разброс и получить оценку фрактальной РАЗМЕРЫионный (FD) изображения путем сопоставления спектра 2D Фурье изображения в прямоугольных координатах, обозначаемый S (U, V), к спектру в полярных координатах, обозначенных S (ƒ, Ν). Эта процедура описана с помощью следующих стадий 21:

  1. Применить окно фон Hann каждому автоматически извлеченной 128 128 ROI и блокнотом результат нулями до массива размер 256 х 256 пикселей.
  2. Вычислить преобразование 2D Фурье мягкой ROI и величины каждого в результате комплексной величины, чтобы получить оценку спектра мощности, S (U, V), в ROI.
  3. Определить выбранные низкочастотные и высокочастотные участки спектра для исключения в последующих стадиях.
  4. Сопоставьте 2D спектра мощности S (U, V) от декартовых (прямоугольные) координаты (U, V) в полярных координатах (ƒ, Ν) для получения S (ƒ, Ν), по ресэмплинга и вычисления средневзвешенного значения четыре соседи еАх точкой для радиального расстояния F в диапазоне от нуля до половины частоты дискретизации, и в диапазоне угла Ν = [0, 179 °].
  5. Преобразование 2D спектра S (ƒ, Ν) в 1D функции S (ƒ), путем интеграции в зависимости от радиального расстояния или частоты е с точки нулевой частоты в диапазоне в Ν = [0, 179 °] в Угол.
  6. Применить линейную регрессию для ограниченного диапазона частот спектра S 1D (ƒ) на логарифмическом масштабе без учета точек в отдельных низкочастотных и высокочастотных регионах, и получить наклона β подогнанной линии, которая является оценка спектральная компонента в модели ФБМ.
  7. Вычислить оценочной стоимости ФО как 15,49,50 FD = (8 - β) / 2.
  8. Преобразование спектра S 2D (ƒ, Ν) в 1D функции S (Ν), путем интеграции в зависимости от угла Ν длядиапазон [0, 179 °], с точки нулевой частоты над радиальное расстояние ƒ = [1, 128] пикселей.
  9. Нормализовать S (Ν), чтобы иметь единичную сумму и вычислить энтропию результате как figure-protocol-10 .

Геометрическая преобразование описано выше приводит к улучшению представления и визуализации спектральных характеристик периодического или spiculated текстуры 9. Отдельные регионы с низким и высокочастотные должны быть исключены, чтобы удалить эффекты низкочастотных компонентов, связанных с общим появления образу и крупных структур, присутствующих в изображении, а также для предотвращения последствий высокой частоты шум. В настоящей работе, полосы частот, которые следует исключить при оценке β и FD (т.е. нелинейных участков) выбираются на основе экспериментов с использованием синтезированных изображений с известной ФО, а также с помощьюколичество трансформирования из маммографию. Диапазон ƒ используется, чтобы соответствовать линейной модели соответствует [6, 96] пикселей или [0.117, 1.875] мм -1, где диапазон [1, 128] пикселей соответствует дискретном представлении диапазоне частот [0, 2.5 ] мм -1.

9 и 10 иллюстрируют различные шаги для фрактальный анализ и оценка углового разброса сил в частотной области для ТП ROI и FP ROI, соответственно. Рисунок 9D указывает на существование разнонаправленных моделей spiculating для TP ROI, в то время как на рисунке 10D, распространение власти ограничивается небольшим числом угловых полос для FP ROI.

7. Распознавание образов и проверка

Теперь у нас есть три меры или возможности для каждого ROI определяется автоматически: [значение узла, Н F, ФО], как описано в разделе 6. Мы используем эти возможности, яndividually и коллективно, чтобы охарактеризовать закономерности spiculating, связанные с архитектурной искажения и дифференцировать TP трансформирования от ПС трансформирования обнаруженных.

Для TP ROI, показанной на рисунке 9, вектор функция состоит из трех мер, полученных в [0,0299, 7,2224, 2,3037]. Для ROI FP, показанной на рисунке 10, соответствующая функция вектор [0,0349, 6,9444, 2,5223]. Как и ожидалось, значение H F выше для TP ROI, чем для FP ROI, а значение FD меньше. Тем не менее, значение узла ниже для TP ROI, чем для FP ROI, что противоречит с ожидаемыми различий, из-за наличия перекрывающихся структур в последнем. В целом, можно ожидать, некоторые из особенностей следовать ожидаемые тенденции и помочь в классификации трансформирования, даже если другие особенности не выявили ожидаемое поведение.

Чтобы оценить производительность функций, Мы используем площадь под приемника, работающего характеристики (РПЦ) кривой (AUC) 51,52 и свободной ответ РПЦ (РПСЦ) анализа 53-55. Для РПЦ и РПСЦ анализа с индивидуальной особенностью, мы не используем обученный классификатор, вместо этого, мы применяем скользящее порог. Три индивидуальных особенностей узла, ФО, и H F условии АУК 0,61, 0,59 и 0,64, соответственно, указывают на хорошую потенциальную, но не достаточную производительность в классификации образов. Р значения тех же функций являются 1.7638e-009, 1.8793e-004, и 2.2615e-013, которые указывают статистически высоко значимые различия между их значениями для множеств определяется автоматически TP и FP трансформирования.

Когда большое число функций, используются для представления образцов для классификации, необходимо выбрать оптимальный подмножество функций так, чтобы удалить коррелированные особенности и уменьшить сложность классификатора 20-22; несколько ProcedОЭС, такие как ступенчатой ​​логистической регрессии 56, могут быть использованы для этой цели. В настоящей работе, потому что мы используем только три возможности на ROI, мы не выполняют выбора компонентов.

Для выполнения проверку тренированного классификатора, мы применяем процедуры классификации модель с несмываемый один пациент отъезда подхода. Мы исключаем все трансформирования, извлеченных из маммографию пациента испытываемого от процедуры подготовки классификатора, а затем применить классификатор полученного таким образом, чтобы тестовый случай. Мы затем повторите процедуру для всего набора данных, в одном случае или пациента за один раз.

Для РПЦ анализа с набором из трех функций, мы используем классификатор, который выполняет квадратное дискриминантного анализа с Байеса предположения 57. Для построения кривых РПСЦ, рассмотрим TP ROI с самой высокой дискриминантной значения в двух маммографических изображений, доступных для пациента, за исключением шести случаях, когда только одинизображение доступно в случае.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Три особенности, а именно, значение узла, ФО, и H F, при условии, AUC значения 0,61, 0,59 и 0,64, соответственно, когда каждая функция была использоваться самостоятельно. Комбинированное использование трех функций при условии, улучшенную производительность с AUC = 0,70. Кривая РПСЦ получены при использовании комбинации из трех функций показана на рисунке 11, что указывает на чувствительность 80% при 5,6 к / пациента и 89% при 7,5 к / пациента. Использование только значения узла при у...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Мы представили серию сложных методов цифровой обработки изображений и распознавания образов, также известный как машинного обучения и CAD, для обнаружения архитектурного искажения в предыдущие маммографию случаев интервал с раком. Методы основаны на анализе ориентированных текстурных узоров, присутствующих в маммографических изображений. Наши методы, в том числе некоторых новых возможностей, предлагаемых в наших соответствующих работ, способны обнаруживать первые признаки рака молочной железы за 15 месяцев до момента кл...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы не имеют ничего раскрывать.

Благодарности

Эта работа была поддержана грантами Программы совместных исследований и опыт обучения (создание) и Discovery грант от естественных и технических наук Исследовательского Совета (NSERC) Канады.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Ссылки

  1. Cancer among women [Internet]. , Centers for Disease Control and Prevention (CDC). Available from: http://www.cdc.gov/cancer/dcpc/data/women.htm (20011).
  2. Tang, J., Rangayyan, R. M., Xu, J., El-Naqa, I., Yang, Y. Computer-aided detection and diagnosis of breast cancer with mammography: Recent advances. IEEE Transactions on Information Technology in Biomedicine. 13 (2), 236-251 (2009).
  3. van Dijck, J. A. A. M., Verbeek, A. L. M., Hendriks, J. H. C. L., Holland, R. The current detectability of breast cancer in a mammographic screening program. Cancer. 72 (6), 1933-1938 (1993).
  4. Rangayyan, R. M., Prajna, S., Ayres, F. J., Desautels, J. E. L. Detection of architectural distortion in mammograms acquired prior to the detection of breast cancer using Gabor filters, phase portraits, fractal dimension, and texture analysis. International Journal of Computer Assisted Radiology and Surgery. 2 (6), 347-361 (2008).
  5. Homer, M. J. Mammographic Interpretation: A Practical Approach. , 2nd, McGraw-Hill. New York, NY. (1997).
  6. Knutzen, A. M., Gisvold, J. J. Likelihood of malignant disease for various categories of mammographically detected, nonpalpable breast lesions. Mayo Clinic Proceedings. 68, 454-460 (1993).
  7. Rangayyan, R. M., Ayres, F. J., Desautels, J. E. L. A review of computer-aided diagnosis of breast cancer: Toward the detection of subtle signs. Journal of the Franklin Institute. 344, 312-348 (2007).
  8. Doi, K. Diagnostic imaging over the last 50 years: research and development in medical imaging science and technology. Physics in Medicine and Biology. 51, R5-R27 (2006).
  9. Rangayyan, R. M. Biomedical Image Analysis. , CRC Press. Boca Raton, FL. (2005).
  10. Rangayyan, R. M., Ayres, F. J. Gabor filters and phase portraits for the detection of architectural distortion in mammograms. Medical and Biological Engineering and Computing. 44, 883-894 (2006).
  11. Ayres, F. J., Rangayyan, R. M. Reduction of false positives in the detection of architectural distortion in mammograms by using a geometrically constrained phase portrait model. International Journal of Computer Assisted Radiology and Surgery. 1, 361-369 (2007).
  12. Karssemeijer, N., te Brake, G. M. Detection of stellate distortions in mammograms. IEEE Transactions on Medical Imaging. 15 (5), 611-619 (1996).
  13. Guo, Q., Shao, J., Ruiz, V. F. Characterization and classification of tumor lesions using computerized fractal-based texture analysis and support vector machines in digital mammograms. International Journal of Computer Assisted Radiology and Surgery. 4 (1), 11-25 (2009).
  14. Sampat, M. P., Whitman, G. J., Markey, M. K., Bovik, A. C. Evidence based detection of spiculated masses and architectural distortion. Proceedings of SPIE Medical Imaging 2005: Image Processing. Fitzpatrick, J. M., Reinhardt, J. M. San Diego, CA, 5747, 26-37 (2005).
  15. Tourassi, G. D., Delong, D. M., Floyd Jr,, E, C. A study on the computerized fractal analysis of architectural distortion in screening mammograms. Physics in Medicine and Biology. 51 (5), 1299-1312 (2006).
  16. Nemoto, M., Honmura, S., Shimizu, A., Furukawa, D., Kobatake, H., Nawano, S. A pilot study of architectural distortion detection in mammograms based on characteristics of line shadows. International Journal of Computer Assisted Radiology and Surgery. 4 (1), 27-36 (2009).
  17. Matsubara, T., Hara, T., Fujita, H., Endo, T., Iwase, T. Automated detection method for mammographic spiculated architectural distortion based on surface analysis. Proceedings of the 22nd International Congress and Exhibition on Computer Assisted Radiology and Surgery (CARS2008), Barcelona, Spain, 3 (1), 176-177 (2008).
  18. Baker, J. A., Rosen, E. L., Lo, J. Y., Gimenez, E. I., Walsh, R., Soo, M. S. Computer-aided detection (CAD) in screening mammography: Sensitivity of commercial CAD systems for detecting architectural distortion. American Journal of Roentgenology. 181, 1083-1088 (2003).
  19. Sameti, M., Ward, R. K., Morgan-Parkes, J., Palcic, B. Image feature extraction in the last screening mammograms prior to detection of breast cancer. IEEE Journal of Selected Topics in Signal Processing. 3 (1), 46-52 (2009).
  20. Rangayyan, R. M., Banik, S., Desautels, J. E. L. Computer-aided detection of architectural distortion in prior mammograms of interval cancer. Journal of Digital Imaging. 23 (5), 611-631 (2010).
  21. Banik, S., Rangayyan, R. M., Desautels, J. E. L. Detection of architectural distortion in prior mammograms. IEEE Transactions on Medical Imaging. 30 (2), 279-294 (2011).
  22. Banik, S., Rangayyan, R. M., Desautels, J. E. L. Measures of angular spread and entropy for the detection of architectural distortion in prior mammograms. International Journal of Computer Assisted Radiology and Surgery. 8, 121-134 (2013).
  23. Broeders, M. J. M., Onland-Moret, N. C., Rijken, H. J. T. M., Hendriks, J. H. C. L., Verbeek, A. L. M., Holland, R. Use of previous screening mammograms to identify features indicating cases that would have a possible gain in prognosis following earlier detection. European Journal of Cancer. 39, 1770-1775 (2003).
  24. Alto, H., Rangayyan, R. M., Paranjape, R. B., Desautels, J. E. L., Bryant, H. An indexed atlas of digital mammograms for computer-aided diagnosis of breast cancer. Annales des Télécommunications. (5-6), 820-835 (2003).
  25. Screen Test and the Alberta Breast Cancer Screening Program[Internet]. , Alberta Health Services. Available from: http://www.albertahealthservices.ca/services.asp?pid=service&rid=1002353 (2013).
  26. Gabor, D. Theory of communication. Journal of the Institute of Electrical Engineers. 93, 429-457 (1946).
  27. Rao, A. R. A Taxonomy for Texture Description and Identification. , Springer-Verlag. New York, NY. (1990).
  28. Otsu, N. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics. 9 (1), 62-66 (1979).
  29. Gonzalez, R. C., Woods, R. E. Digital Image Processing. , 2nd, Prentice-Hall. Upper Saddle River, NJ. (2002).
  30. Ayres, F. J., Rangayyan, R. M. Design and performance analysis of oriented feature detectors. Journal of Electronic Imaging. 16 (2), (2007).
  31. Samulski, M., Karssemeijer, N. Optimizing case-based detection performance in a multiview CAD system for mammography. IEEE Transactions on Medical Imaging. 30 (4), 1001-1009 (2011).
  32. Muralidhar, G. S., Bovik, A. C., Giese, J. D., Sampat, M. P., Whitman, G. J., Haygood, T. M., Stephens, T. W., Markey, M. K. Snakules: a model-based active contour algorithm for the annotation of spicules on mammography. IEEE Transactions of Medical Imaging. 29 (10), 1768-1780 (2010).
  33. Ayres, F. J., Rangayyan, R. M. Detection of architectural distortion in mammograms via analysis of phase portraits and curvilinear structures. Proceedings of EMBEC'05: 3rd European Medical & Biological Engineering Conference. Hozman, J., Kneppo, P. Prague, Czech Republic, 11, 1768-1773 (2005).
  34. Ferrari, R. J., Rangayyan, R. M., Desautels, J. E. L., Frère, A. F. Analysis of asymmetry in mammograms via directional filtering with Gabor wavelets. IEEE Transactions on Medical Imaging. 20 (9), 953-964 (2001).
  35. Zwiggelaar, R., Astley, S. M., Boggis, C. R. M., Taylor, C. J. Linear structures in mammographic images: Detection and classification. IEEE Transactions on Medical Imaging. 23 (9), 1077-1086 (2004).
  36. Ferrari, R. J., Rangayyan, R. M., Borges, R. A., Frère, A. F. Segmentation of the fibro-glandular disc in mammograms using Gaussian mixture modeling. Medical and Biological Engineering and Computing. 42, 378-387 (2004).
  37. Ichikawa, T., Matsubara, T., Hara, T., Fujita, H., Endo, T., Iwase, T. Automated detection method for architectural distortion areas on mammograms based on morphological processing and surface analysis. Fitzpatrick, J. M., Sonka, M. Proceedings of SPIE Medical Imaging 2004: Image Processing, February 2004, San Diego, CA, , SPIE. 920-923 (2004).
  38. Sonka, M., Hlavac, V., Boyle, R. Image Processing, Analysis and Machine Vision. , 1st, Chapman & Hall. London, UK. (1993).
  39. Canny, J. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 8 (6), 679-698 (1986).
  40. Rao, A. R., Jain, R. C. Computerized flow field analysis: Oriented texture fields. IEEE Transactions on Pattern Analysis and Machine Intelligence. 14 (7), 693-709 (1992).
  41. Kirkpatrick, S., Gelatt, C. D., Vecchi, M. P. Optimization by simulated annealing. Science. 220 (4598), 671-680 (1983).
  42. Gershenfeld, N. The Nature of Mathematical Modeling. , Cambridge University Press. Cambridge, UK. (1999).
  43. Mandelbrot, B. B. The Fractal Geometry of Nature. , Freeman. San Francisco, CA. (1983).
  44. Peitgen, H. -O., Jürgens, H., Saupe, D. Chaos and Fractals: New Frontiers of Science. , second, Springer. New York, NY. (2004).
  45. Fortin, C., Kumaresan, R., Ohley, W. Fractal dimension in the analysis of medical images. IEEE Engineering in Medicine and Biology Magazine. 11, 65-71 (1992).
  46. Schepers, H. E., van Beek, J. H. G. M., Bassingthwaighte, J. B. Four methods to estimate the fractal dimension from self-affine signals. IEEE Engineering in Medicine and Biology Magazine. 11, 57-64 (1992).
  47. Bak, P., Tang, C., Wiesenfeld, K. Self-organized criticality: An explanation of 1/f noise. The American Physical Society. 59, 381-384 (1987).
  48. Billock, V. A., De Guzman, G. C., Kelso, J. A. S. Fractal time and 1/f spectra in dynamic images and human vision. Physica D: Nonlinear Phenomena. 148, 136-146 (2001).
  49. Anguiano, E., Pancorbo, M. A., Aguilar, M. Fractal characterization by frequency analysis: I. Surfaces. Journal of Microscopy. 172, 223-232 (1993).
  50. Aguilar, M., Anguiano, E., Pancorbo, M. A. Fractal characterization by frequency analysis: II. A new method. Journal of Microscopy. 172, 233-238 (1993).
  51. Metz, C. E. ROC methodology in radiologic imaging. Investigative Radiology. 21, 720-733 (1986).
  52. Kurt Rossmann Laboratories for Radiologic Image Research. ROC Software [Internet]. , ROCKIT. Available from: http://www-radiology.uchicago.edu/krl/roc_soft6.htm (2012).
  53. Bornefalk, H., Hermansson, A. B. On the comparison of FROC curves in mammography CAD systems. Medical Physics. 32 (2), 412-417 (2005).
  54. Miller, H. The FROC curve: A representation of the observer's performance for the method of free response. Journal of the Acoustical Society of America. 46, 1473-1476 (1969).
  55. Chakraborty, D. P. Statistical power in observer-performance studies: Comparison of the receiver operating characteristic and free-response methods in tasks involving localization. Academic Radiology. 9 (2), 147-156 (2002).
  56. Ramsey, F. L., Schafer, D. W. The Statistical Sleuth: A Course in Methods of Data Analysis. , Duxbury Press. Belmont, CA. (1997).
  57. Wiley-Interscience, , New York, NY. 2nd edition (2001).
  58. Rangayyan, R. M., Banik, S., Chakraborty, J., Mukhopadhyay, S., Desautels, J. E. L. Measures of divergence of oriented patterns for the detection of architectural distortion in prior mammograms. International Journal of Computer Assisted Radiology and Surgery. , (2013).
  59. Burhenne, L. J. W., Wood, S. A., D'Orsi, C. J., Feig, S. A., Kopans, D. B., O'Shaughnessy, K. F., Sickles, E. A., Tabar, L., Vyborny, C. J., Castellino, R. A. Potential contribution of computer-aided detection to the sensitivity of screening mammography. Radiology. 215 (2), 554-562 (2000).
  60. Birdwell, R. L., Ikeda, D. M., O'Shaughnessy, K. F., Sickles, E. A. Mammographic characteristics of 115 missed cancers later detected with screening mammography and the potential utility of computeraided detection. Radiology. 219 (1), 192-202 (2001).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

ROC Free Response ROC

Похожие статьи