Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

Rilevamento di distorsione architettonica in mammografia precedenti Published: August 30, 2013 doi: 10.3791/50341
Automatic Translation
1,2, 1, 1
1Department of Electrical and Computer Engineering, Schulich School of Engineering, University of Calgary, 2Department of Radiology, University of Calgary

Summary

Dimostriamo metodi per l'individuazione di distorsione architettonica mammografie precedenti. Strutture orientate vengono analizzati utilizzando filtri di Gabor e ritratti di fase per individuare i siti di irradiamento modelli di tessuto. Ogni sito è caratterizzato e classificata utilizzando misure per rappresentare modelli spiculating. I metodi dovrebbero contribuire all'individuazione di cancro al seno.

Abstract

Dimostriamo metodi per l'individuazione di distorsione architettonica mammografie precedenti di casi di intervallo-cancro basati su analisi dell'orientamento dei modelli di tessuto mammario in mammografie. Ipotizziamo che distorsione architetturale modifica il normale orientamento di modelli tessuto mammario in immagini mammografiche prima della formazione di masse o tumori. Nelle fasi iniziali di nostri metodi, le strutture orientate in una determinata mammografia vengono analizzati utilizzando filtri di Gabor e ritratti di fase per individuare i siti nodo-come radiante o intersecano modelli di tessuto. Ogni sito rilevato è quindi caratterizzato utilizzando il valore del nodo, dimensione frattale, e una misura della dispersione angolare specificamente progettato per rappresentare modelli spiculating associati con distorsione architettonica.

I nostri metodi sono stati testati con un database di 106 mammografie precedenti di 56 casi l'intervallo di cancro e 52 mammografie di 13 casi normali, utilizzando le funzionalità sviluppate per l'caratterizzazione di distorsione architettonica, modelli di classificazione mediante analisi discriminante quadratica, e la convalida della procedura di leave-one-out paziente. Secondo i risultati di ricevitore senza risposta operante analisi caratteristica, i nostri metodi hanno dimostrato la capacità di rilevare la distorsione di architettura in mammografie precedenti, presa 15 mesi (in media) prima della diagnosi clinica di cancro al seno, con una sensibilità del 80% circa cinque falsi positivi per paziente.

Introduction

Il cancro al seno è una delle malattie che colpisce le donne ed è la seconda causa di cancro legati morte tra le donne 1,2. Per migliorare la possibilità di sopravvivenza e la prognosi dei pazienti affetti attraverso un trattamento efficace nei primi stadi di cancro al seno, la malattia deve essere rilevato il più presto possibile. In un'analisi retrospettiva dei casi di cancro al seno, segni sottili di anomalie sono state osservate in precedenza acquisiti mammografie di screening 3,4. Distorsione architettonica è uno di questi localizzato segno mammografico di possibilmente prime fasi del cancro al seno che è difficile da rilevare 5,6. I modelli associati sono vagamente descritti come distorsione della normale architettura del seno con non definita massa visibile. Distorsione architetturale potrebbe apparire nelle fasi iniziali della formazione di una massa seno o tumore. Ipotizziamo che mammografie di screening ottenuti prima diagnosi del tumore al seno cOuld contengono segni sottili di prime fasi del cancro al seno, in particolare, la distorsione architettonica.

Figura 1a mostra una prima immagine mammografica di un caso di cancro screen-rilevato. La regione di anomalia identificata da un radiologo (JELD) è contornata da un rettangolo rosso. La mammografia preventiva è stata presa 24 mesi prima della mammografia rilevamento mostrato in Figura 1b. La mammografia preventiva era stata dichiarata per essere privo di segni di cancro al l'istanza originale di screening. In un'analisi retrospettiva e nel confronto con la mammografia di rilevamento, una regione sospetto relativo al sito di cancro rilevati è stato etichettato dal radiologo, ed è delineato in rosso sulla mammografia preventiva. La regione sospetto contiene segni di distorsione architettonica, tra cui spicole.

Tecniche di computer-aided diagnosi (CAD) e sistemi offrono il potenziale per raggiungere una maggiore sensibilità nella rilevazione di breacancro st 2,7-9. Tuttavia, in confronto con il numero di pubblicazioni esistenti in letteratura sulla rilevazione di altri segni di cancro al seno, come masse e calcificazioni, solo un piccolo numero di studi sono stati riportati sul rilevamento di distorsione architetturale in assenza di un massa centrale 10-17. Sistemi CAD disponibili in commercio sono stati trovati per scarso rendimento nella rilevazione di distorsione architettonica 18. Studi sulla rilevazione di distorsione architettonica mammografie precedenti di casi di schermo-rilevati o intervallo-cancro 3,4,19-22 potrebbe aiutare nello sviluppo di strategie per l'individuazione e il trattamento delle malattie del seno nelle fasi iniziali, e portare al miglioramento della prognosi per il paziente 23.

Preparazione delle immagini per l'esperimento

Gli esperimenti sono stati condotti con 158 immagini mammografiche, tra cui 106 mammografie precedenti di 56 individui diagnosticaticon cancro al seno e 52 immagini di 13 individui normali. Approvazione etica per lo studio è stato ottenuto da Congiunto Health Research Ethics Consiglio, Ufficio di Medicina Bioetica, Università di Calgary, e l'Autorità sanitaria regionale Calgary. Le immagini sono state ottenute da Screen Test: Alberta Programma per la diagnosi precoce del cancro della mammella 21,24,25.

Mammografie acquisite in ultima visita programmata al programma di screening prima della diagnosi di cancro al di fuori del programma di screening sono stati etichettati come mammografie precedenti di casi di intervallo-cancro. I corrispondenti mammografie diagnostiche non erano disponibili. Tutti tranne due dei 106 mammografie precedenti erano stati dichiarati privi di qualsiasi segno di cancro al seno al momento della loro acquisizione e analisi nel programma di screening, gli individui corrispondenti agli altri due mammografie erano stati menzionati per la biopsia. L'intervallo di tempo tra la diagnosi di cancro e mammografie precedenti variava da 1,5 mesis a 24,5 mesi, con una media di 15 mesi e la deviazione standard di 7 mesi. Tutte le mammografie precedenti di casi di intervallo-cancro disponibili nel database sono stati inclusi nel presente studio, ad eccezione di sei immagini in cui parti sospette potrebbero essere identificati.

Le mammografie schermo-pellicola sono stati digitalizzati alla risoluzione spaziale di 50 micron e una risoluzione in scala di grigi a 12 bit per pixel utilizzando lo scanner laser Lumiscan 85 (Lumisys, Sunnyvale, CA). Un radiologo esperto specializzato in mammografia (JELD) ha esaminato tutti i 106 mammografie precedenti di casi di intervallo-cancro e segnò le regioni sospetti di distorsione architettonica con scatole rettangolari sulla base delle relazioni disponibili dalla successiva rappresentazione o la biopsia, o mediante ispezione dettagliata delle mammografie . Dei 106 precedenti immagini mammografiche nel dataset utilizzato nel presente studio, 38 immagini presentano una distorsione architettonica visibile, e le restanti 68 immagini contengono discutibile o non chiaramente evident distorsione architettonica. Ogni mammografia preventiva contiene un unico sito di distorsione architettonica così come individuate dalla scatola rettangolare disegnata dal radiologo. La larghezza media, l'altezza, e la zona delle 106 parti sospette di immagini contrassegnate dal radiologo sono 56 mm, 39 mm, e 2.274 millimetri 2, con deviazione standard di 11,8 millimetri, 11,6 millimetri, e 1073,9 millimetri 2, rispettivamente.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Panoramica di Metodologia

Nella nostra procedura, potenziali siti di distorsione architettonica mammografie vengono rilevati automaticamente attraverso l'analisi dei modelli di tessitura orientata con l'applicazione di una banca di Gabor filtri 26 e modellazione della fase ritratti 11,27. I siti rilevati vengono poi elaborati attraverso le fasi di estrazione di caratteristiche o misure per caratterizzare la distorsione architettonica, lo sviluppo di un classificatore addestrato, e l'applicazione di un algoritmo per il riconoscimento o la classificazione. La procedura è riassunta dalle seguenti fasi 11,20,21:

  1. Segmento la porzione di seno in data immagine mammografica con soglia adattiva e l'apertura morfologica.
  2. Applicare una serie di 180 Gabor filtri con angoli distribuiti uniformemente nell'intervallo -90 ° a +90 ° avere la grandezza dell'immagine Gabor, M (i, j), e l'immagine angolo Gabor, θ(I, j), selezionando la risposta e l'angolo del filtro con la risposta massima a ciascun pixel, (i, j).
  3. Selezionare strutture curvilinee (CLSS) di interesse, come spicole e tessuti fibroglandular, da distinguendoli dalle strutture di confondimento, quali bordi del muscolo pettorale, tessuto parenchimale, contorno del seno, e il rumore, utilizzando il campo di orientamento, il gradiente del campo, la soppressione nonmaximal (NMS), la tecnica e le condizioni di ulteriori 11.
  4. Filtrare il campo di orientamento con un filtro gaussiano con la deviazione standard di 7 pixel e down-campione di un fattore di quattro per ridurre il rumore e gli ulteriori requisiti computazionali 11,20.
  5. Applicare modellazione fase-ritratto lineare, con una finestra scorrevole analisi di dimensioni 10 x 10 pixel a 800 micron / pixel, con un pixel per ogni passo, al campo orientamento filtrata, specifiche condizioni selezionare le mappe fase-ritratto relativi a particolari tipi di nodo patterns 11,20.
  6. Esprimere un voto, se vengono soddisfatte determinate condizioni, alla posizione proposta dal punto fisso per ogni posizione della finestra di analisi per formare la mappa nodo.
  7. Filtrare la mappa nodo con una finestra gaussiana di dimensioni 35 x 35 pixel, con la deviazione standard empiricamente determinata di 6 pixel (4,8 mm), per consolidare utili in stretta vicinanza l'uno all'altro.
  8. Analizzare la mappa nodo-rank ordinando i picchi nella mappa nodo.
  9. Cut regioni di interesse (ROI), di dimensioni 128 x 128 pixel tranne ai bordi, dalla immagine originale, con il centro di ogni ROI situato al centro del relativo picco nella mappa nodo. Ai bordi dell'immagine in fase di elaborazione, creare ROI di includere il maggior numero di dati di immagine come disponibili nella finestra specificata.
  10. Derive caratteristiche o le misure per caratterizzare i modelli spiculating relativi alla distorsione architettonica e separare dagli schemi tessuto normale che ha incontrato alcune delle condizioni iniziali.
    11. <li> Sviluppare un classificatore addestrato a discriminare tra le caratteristiche dei siti con una distorsione architettonica e quelli dei modelli di tessuto normale con un training set di ROI classificati da un radiologo.
  11. Applicare il classificatore addestrato per un insieme di casi di test e verificare i risultati con diagnosi fornite dal radiologo e basato su biopsia.

Passi 1-9 sopra elencati vengono applicati automaticamente a una data immagine mammografica. Passi scelti della procedura di cui sopra sono descritti ed illustrati nelle seguenti sezioni.

2. Pre-elaborazione delle immagini mammografiche

La fase di pre-elaborazione è costituito dai seguenti passaggi:

  1. Filtrare la data immagine mammografica utilizzando un filtro gaussiano, con una deviazione standard di 2 pixel e dimensioni di 13 x 13 pixel alla risoluzione di 50 pm / pixel e 12 bit / pixel e frequenze inferiori a 200 micron / pixel e 8 bit / pixel di risoluzione.
  2. Rifletterel'immagine se è della mammella destra.
  3. Segmento regione mammaria a immagine mammografica utilizzando il metodo soglia adattiva di Otsu e l'apertura morfologica con un elemento strutturante a forma di disco di raggio 25 pixel (5 millimetri a 200 micron / pixel) 21,28,29.
  4. Rileva l'approssimativa confine seno 10,21.

La Figura 2A mostra una mammografia preventiva originale. Figura 2B della stessa figura mostra il risultato della segmentazione approssimativa della porzione seno, che viene utilizzato nelle successive fasi di elaborazione e analisi.

3. Estrazione di Patterns Oriented Utilizzo di filtri di Gabor

La vera funzione di filtro di Gabor orientato a -90 ° è specificato nel nostro lavoro come 10,30:

Equazione 1
dove e #963, x e σ y sono i valori di deviazione standard nelle direzioni x ed y, e ƒ o è la frequenza della sinusoide modulante. Filtri in altri angoli si ottengono ruotando questa funzione utilizzando trasformazione delle coordinate come:

Equazione 2 Supplemento
dove (x ', y') è l'insieme di coordinate ruotate dalla α angolo.

I parametri in Equazione 1 per mammografie filtranti sono derivati ​​nel nostro lavoro tenendo conto della dimensione media dei modelli tessuto mammario essere identificati come segue 10:

  1. Sia Τ sia la larghezza piena a metà altezza del termine gaussiana in Equazione 1 lungo l'asse x.
  2. Let Τ = 4 pixel, corrispondente ad uno spessore di 00,8 millimetri alla dimensione in pixel di 200 micron.
  3. Calcolare Equazione 3.3 .
  4. Lasciate che il periodo del termine coseno sia Τ, quindi, ƒ o = 1 / Τ.
  5. Sia il valore di σ y essere definito come σ y = lσ x, dove L determina l'allungamento del filtro Gabor nella direzione y, rispetto alla larghezza del filtro nella direzione x. Per l'analisi di mammografie a 200 micron / pixel, uso l = 8.

Una banca di 180 real Gabor filtri spaziato uniformemente su tutta la gamma -90 ° a +90 ° viene utilizzato nei nostri metodi per l'individuazione di modelli orientati a mammografie 10, 21. Per ogni immagine data, un'immagine grandezza Gabor, M (i, j), e un'immagine angolo Gabor, θ (i, j), sono ottenuti utilizzando la risposta e l'angolo di secoloe filtro Gabor con la risposta massima a ciascun pixel, (i, j).

Il filtro Gabor ha una risposta in ampiezza diversa da zero all'origine del piano di frequenza (frequenza zero). Poiché componenti a bassa frequenza non sono legati alla presenza di distorsione architettonica, è auspicabile ridurre l'effetto delle componenti a bassa frequenza dell'immagine mammografica nella grandezza campo orientamento. Pertanto, le immagini mammografiche sono passa-alto filtrato prima della estrazione del campo dell'orientamento. Questo risultato è ottenuto calcolando la differenza tra l'immagine originale e un passa basso filtrato versione della stessa immagine. Il filtro passa-basso usati in questa fase è un filtro gaussiano con deviazione standard pari a σ y definito come sopra.

Anche se si può salvare l'immagine filtrata per ciascun angolo di interesse, nel presente lavoro, la risposta massima a ciascun pixel su tutti i filtri (angoli) utilizzato èsalvato in una singola immagine, denominato risposta in ampiezza Gabor, l'angolo corrispondente del filtro Gabor viene salvato in ciascun pixel in un'altra immagine, indicato come la risposta angolo Gabor. Insieme, le due immagini output forniscono campo orientamento dell'immagine proposta.

Figura 3A mostra un'immagine di prova di una pianta. Figura 3B mostra lo spettro di Fourier dell'immagine, che raffigura concentrazioni di energia a vari angoli. Tutte le parti dell'immagine con lo stesso orientamento, indipendentemente dalla loro posizione e le dimensioni, hanno i loro componenti di frequenza (energia spettrale) situati in una fascia o settore angolare posizionato a 90 ° rispetto al loro orientamento nell'immagine. I risultati di filtraggio dell'immagine con Gabor filtri con Τ = 8 pixel e l = 8 sono mostrate nelle figure 3C e D. È evidente che i filtri di Gabor hanno estratto le parti della pianta orientate a vari angoli con elevata magrisposta nitude e che la risposta angolo concorda con l'orientamento della caratteristica dominante presente al pixel corrispondente. Utilizzando una banca di Gabor filtra i orientata a diversi angoli nel range -90 ° a +90 °, abbiamo estratto tutti i componenti orientati presenti nell'immagine e loro angoli di ogni pixel. È evidente che la risposta dei filtri di Gabor è quasi zero in zone lisce con lo stesso livello di intensità e senza strutture con orientamento preferenziale, come parti del vaso e la parete.

La Figura 4 mostra l'ampiezza e angolo risposte Gabor ottenuti per la mammografia con distorsione architetturale mostrato nella Figura 2B. È evidente che i filtri di Gabor hanno estratto componenti orientati con risposte elevati e gli angoli corrispondenti. Si è anche visto che la risposta dei filtri di Gabor è bassa nelle zone lisce con densità quasi costante e senza strutture con orientamento preferitozione. Su controllo ravvicinato, si può anche osservare che la risposta dei filtri di Gabor dipende dal contrasto di una struttura orientata in funzione della sua bassa e non solo sulla sua densità o luminosità. Questi risultati sono dovuti alla natura banda passante dei filtri di Gabor.

4. Selezione delle strutture curvilinee

Mammografie contengono molti CLS corrispondenti ai dotti, vasi, legamenti, tessuto parenchimale e bordi del muscolo pettorale. Alcune anomalie nel mammografie potevano essere caratterizzati dalla presenza di alcuni tipi di CLS, come masse spiculate 12,31,32 e 10,11,33 distorsione architetturale, o da struttura asimmetrica della trama orientato l'immagine in seno 34. D'altra parte, alcuni tipi di lesioni, come masse circoscritte, potrebbero essere oscurati da più CLS sovrapposti alle lesioni nelle immagini mammografiche previsti; la comparsa di tali lesioni potrebbe essere altEred e può portare alla diagnosi o diagnosi errate falso negativo. Analisi della presente CLS in mammografie potrebbe migliorare le prestazioni degli algoritmi per la rilevazione di masse spiculati e distorsione architetturale, come suggerito da Zwiggelaar et al. 35. Pertanto, l'identificazione di CLS è un passo importante nella rilevazione di distorsione architettonica.

Sebbene il banco di filtri di Gabor utilizzato nel presente lavoro è sensibile a strutture lineari, quali spicole e fibre, rileva anche altri bordi forti, come bordi del muscolo pettorale, bordi del tessuto parenchimale e pareti dei vasi, come strutture orientate . Bordi forti intorno al disco 36 fibroglandular potrebbero essere utilizzati per il rilevamento di una particolare forma di distorsione architetturale 37 noto come retrazione focale. Tuttavia, nel presente lavoro, è importante che solo CLS relativo ai tessuti fibroglandular sono identificati come caratteristiche orientate.

  1. Segmento zona del seno in un determinato mammografia come descritto nella Sezione 2.
  2. Rileva fondamentali CLS pixel applicando la tecnica NMS 35,38 all'immagine risposta in ampiezza Gabor.
  3. Rifiuta CLS pixel a siti con un forte gradiente 33.

L'algoritmo identifica NMS fondamentali CLS pixel confrontando ciascun pixel dell'immagine risposta in ampiezza con i suoi vicini lungo la direzione che è perpendicolare al campo angolare di orientamento locale; vedere la Figura 5. Se il pixel in esame ha un valore di grandezza maggiore rispetto alle corrispondenti vicini, il pixel è un nucleo CLS pixel. NMS è un passo comune in molti rivelatori di bordo (come il rilevatore Canny 39). Zwiggelaar et al. 35 NMS utilizzati per la rilevazione di CLS pixel nello stesso modo come descritto in questosezione.

La presenza di un forte gradiente potrebbe causare un ripple della risposta in ampiezza Gabor, portando ad un rilevamento erroneo di una CLS. I pixel di base CLS associati alla presenza di forti gradienti vengono respinte dai criteri proposti da Karssemeijer e te Brake 12, nel contesto della individuazione di lesioni spiculate. Il gradiente dell'immagine mammografica viene ottenuta utilizzando la derivata prima di una gaussiana con una deviazione standard di cinque pixel (1 mm). Per ogni core CLS pixel, la direzione del gradiente viene confrontato con la direzione del campo di orientamento. Se la differenza tra la direzione del campo di orientamento e la direzione perpendicolare al gradiente è inferiore a 30 °, corrispondente nucleo CLS pixel viene scartato.

Le CLS all'interno del disco fibroglandular tipicamente possiedono contrasto ridotto rispetto ai CLS fuori del disco fibroglandular. Di conseguenza, i CLS all'interno del fibdisco roglandular hanno Gabor valori di risposta grandezza più piccoli dei CLS di fuori del disco. Per assegnare lo stesso peso per tutti i pixel CLS indipendenti della località, e di garantire l'individuazione del relativo CLS con basso contrasto, come spicole all'interno del disco fibroglandular, il campo magnitudo M (i, j) è sostituito per ulteriore trasformazione da un'immagine composta solo nucleo CLS pixel, M CLS (i, j), definito come segue:

Equazione 3
L'immagine M CLS (i, j) trasmette informazioni importanti sulla presenza di CLS. Figura 6 mostra i risultati della selezione CLS con una mammografia pieno e un ROI. Poiché la presenza di distorsione architetturale è indicata dalla disposizione geometrica degli associati CLS piuttosto che la loro densità o intensità, il Magnidine del CLS rilevato è di importanza inferiore alla disposizione spaziale delle strutture orientate.

5. Rilevamento e etichettatura di siti sospetti su Analisi di fase Ritratti

Rao e Jain 40 sviluppato un metodo per l'analisi di tessitura orientata in immagini associando il campo di orientamento del gradiente corrispondente con la comparsa di ritratti di fase. Un ritratto fase di un sistema di due lineare del primo ordine, equazioni differenziali mostra le possibili traiettorie delle variabili di stato 27.

Sia P (t) e q (t), t ISIN Simbolo R, rappresentano due funzioni differenziabili di tempo t, connessi,

Equazione 3
Qui,• p (t) e q • (t) sono le derivate prime rispetto al tempo, e F e G sono funzioni di p e 10 q. Data la iniziale condizioni p (0) e q (0), la soluzione [p (t), q (t)], può essere rappresentato nella forma di una traiettoria parametrica o snellire di una particella ipotetica in (p, q ) piano. La particella è posto [p (0), q (0)] al tempo t = 0 e si muove attraverso il piano con la velocità [p • (t) e q • (t)] (p, q). L'(p, q) aereo è noto come il piano delle fasi del sistema. Un ritratto fase è un grafico delle possibili traiettorie di una particella nel piano delle fasi. Un punto fisso è un punto nel piano fase dove p • ( m> t) = 0 e q • (t) = 0. Una particella sinistra in un punto fisso rimane stazionario. Per un sistema affine, abbiamo

Equazione 4
Qui, A è una matrice 2 x 2 e B è una matrice 2 x 1 colonna. Il centro (p 0, 0 q) del ritratto fase è dato dal punto fisso come

Equazione 5
Se si associa la funzione p (t) e q (t) con le coordinate xey del piano dell'immagine in fase di elaborazione, il campo di orientamento corrispondente è

res.jpg "width =" 500 "/>
Qui, Φ (xy) è l'angolo del vettore velocità [p • (t), q • (t)] rispetto all'asse x in (x, y) = [p (t), q (t)] . Associamo Φ (xy) con l'θ l'angolo di Gabor (i, j), e definiamo una funzione di errore occorre ridurre al minimo

Equazione 7
dove [a, b] e [c, d] sono le due righe di A. L'ultimo termine prevede una sanzione più elevata (costi) per la deviazione in configurazioni della matrice A da quelli relativi a modelli nodo spiculati. L'equazione di cui sopra rappresenta Φ (xy) su una griglia discreta (i, j) invece del spazio continuo (x, y). StimaAtes di A e B che minimizzano ε 2 (A, B) sono ottenuti mediante la seguente procedura:

  1. Ottenere stime iniziali di A e B attraverso la minimizzazione di ε 2 (A, B) utilizzando il metodo annealing simulato 41.
  2. Ottenere le stime ottimali, affinando le stime iniziali utilizzando un non lineare dei minimi quadrati algoritmo 42.

Nel modello sopra descritto, ci sono tre possibili tipi di ritratti di fase: nodo, sella, ea spirale. Il tipo di fase verticale è determinata dalle autovalori di A 10,27,30,40. Il campo di orientamento di una immagine strutturata può essere descritto da determinare il tipo del ritratto fase che è più simile al suo campo di orientamento. Poiché motivi a spirale non sono di interesse per l'analisi deimammografie, abbiamo vincolare la matrice A sia simmetrica, causando solo due tipi di ritratti di fase: nodo e sella.

A causa della presenza di un grande numero di spicole ai vari angoli e sovrapporsi ad immagine mammografica proiettata, ipotizziamo che un sito di distorsione architetturale presenterà caratteristiche nodo-like. Tuttavia, i tessuti normali, condotti, navi e altre strutture orientate nella mammella potrebbe anche ottenere proiettate e sovrapposte a formare disegni che imitano l'aspetto di distorsione architetturale in una mammografia. Pertanto, analizziamo la mappa nodo per l'individuazione di siti sospetti o potenziali siti di distorsione architettonica, e analizziamo i siti individuati attraverso ulteriori fasi di estrazione delle caratteristiche e modelli di classificazione.

Perché una mammografia potrebbe presentare diversi modelli, si applica una finestra di analisi scorrimento di dimensioni 10 x 10 pixel, a 800 micron / pixel, con one pixel per passo. Per ogni posizione della finestra, un voto è espresso in una mappa, denominato mappa nodo, nella posizione indicata dal corrispondente punto fisso, se tutte le condizioni applicate sono soddisfatte. Risultati relativi alla matrice A con il suo numero condizione maggiore di 3,0 sono respinti ignorare modelli prevede non essere associati con distorsione architetturale 11. Inoltre, un'ulteriore condizione viene imposta la distanza tra un punto fisso e la posizione della finestra corrispondente analisi: se la distanza è inferiore a tre pixel (2,4 mm) o superiore a 20 pixel (16 mm), i risultati per la corrente finestra di analisi sono respinte. L'entità del voto è posta uguale al rapporto tra la misura della forma ε 2 (A, B), definito in Equazione 7, il numero di condizionamento di A, sottolineare il isotropia del ritratto fase. La mappa nodo viene quindi analizzata per rilevare local maxima o picchi che si prevede di indicare i siti di distorsione architettonica. Tuttavia, la procedura comporta anche la rilevazione di un numero di falsi positivi (FP) siti a causa di strutture normali sovrapposte.

Ad ogni picco nella mappa nodo, si estrae automaticamente un ROI, di dimensioni 128 x 128 pixel tranne ai bordi delle immagini, della immagine mammografica a 200 micron / pixel. Etichettiamo le ROI nei punti indicati dai picchi nella mappa nodo nell'ordine dei valori dei picchi decrescente, fino ad un massimo di 30 ROI per mammografia.

Quando mammografie con diagnosi noti sono utilizzati per addestrare il nostro procedimento, rilevato automaticamente il ROI con i loro centri all'interno delle parti di distorsione architettonica individuati dal radiologo sono etichettati come veri positivi (TP) ROI, gli altri sono etichettati come FP ROI per l'uso in la procedura di formazione. Quando una mammografia viene analizzato utilizzando la procedura addestrato, tutte le ROI rilevato uns sopra sono trattati per la classificazione, senza alcuna etichettatura.

La Figura 7 mostra la mappa nodo e le ROI rilevati per la mammografia mostrato nella Figura 2B. I rettangoli rossi indicano l'area sospetta segnata dal radiologo.

Figura 8 mostra una serie di TP e FP ROI estratti automaticamente da diverse mammografie. La maggior parte delle ROI TP hanno diverse spicole e modelli orientati sviluppa su una vasta gamma di angoli. La FP ROI, d'altra parte, hanno un minor numero di strutture normali tessuti orientati su una gamma ristretta di angoli, a prescindere, a causa della loro sovrapposizione nell'immagine mammografica proiettata, imitano le caratteristiche nodo-come distorsione architettonica.

La nostra strategia è quella di rilevare regioni sospette con alta efficienza o sensibilità nella fase iniziale (con il basso falsi negativi), anche se il numero di accompagnamento di PQ è grande. La fase successiva di analisi delle ROI è stato progettato per aiutare a ridurre PQ via caratterizzazione efficiente e classificazione del ROI rilevato.

6. Caratterizzazione di distorsione architettonica

Un ROI rilevata automaticamente inclusi distorsione architetturale, centrata in un picco nella relativa mappa nodo, è probabile possedere diverse spicole sparse a vari angoli. Ci aspettiamo che questa caratteristica per condurre ad una vasta diffusione angolare di energia nel dominio immagine ed energia spettrale nel dominio di Fourier. Nei nostri lavori precedenti, abbiamo dimostrato che una dispersione angolare tale può essere rappresentato in modo efficiente in forma di un diagramma rosa, che è un istogramma angolare 21,22. Abbiamo normalizzare il diagramma rosa di avere unità di superficie e trattarla come una funzione di densità di probabilità (PDF). Poi, ci caratterizzano il PDF di ogni ROI utilizzando entropia, che è una misura statistica del disordine o dispersione.

ONTENUTO "> La maggiore dispersione dei modelli di tessuto nelle regioni con una distorsione architettonica modifica la natura frattale del tessuto del seno normale. I modelli comunemente usati di frattali sono basate su modelli annidati multiscala di modelli auto-similari 43-46. altro modello di comportamento frattale è moto browniano frazionario (FBM) che è legato ad uno spettro nel dominio della frequenza in cui la potenza diminuisce in proporzione (1 / f) ^ β, dove f è la frequenza e β è noto come la componente spettrale 47,48. L' modello FBM porta a immagini frattali che sono simili a modelli nuvoloso casuali;. modelli comparabili sono spesso visti in mammografie Per applicare questo modello alle immagini, il bidimensionale (2D) spettro di Fourier dell'immagine deve essere convertito ad uno funzione-dimensionale (1D).

Abbiamo sviluppato un metodo integrato per caratterizzare spread angolare e per ricavare una stima delle dimens frattaleion (FD) di un'immagine mappando spettro 2D Fourier dell'immagine in coordinate rettangolari, indicato con S (u, v), ad uno spettro in coordinate polari, indicati con S (ƒ, Ν). La procedura è descritta dai seguenti passi 21:

  1. Applicare la finestra von Hann per ogni estratto automaticamente a 128 x 128 ROI e pad il risultato con zeri a un array di dimensioni 256 x 256 pixel.
  2. Calcolare la trasformata di Fourier 2D della ROI imbottito e la grandezza di ogni valore complesso risultante per ottenere una stima dello spettro di potenza, S (u, v), della ROI.
  3. Identificare bassa frequenza e alta frequenza porzioni selezionate dello spettro di esclusione nei passaggi successivi.
  4. Mappa lo spettro di potenza S 2D (u, v) dal coordinate cartesiane (rettangolari) (u, v) alle coordinate polari (ƒ, Ν) per ottenere S (ƒ, Ν), di ricampionamento e calcolando una media ponderata del quattro vicini di casa epunto ACH per distanza radiale f varia da zero alla metà della frequenza di campionamento, e sopra la gamma di angolo Ν = [0, 179 °].
  5. Trasformare lo spettro S 2D (ƒ, Ν) in una funzione S (ƒ) 1D, integrando in funzione della distanza radiale o frequenza f dal punto zero frequenza nell'intervallo in Ν = [0, 179 °] in angolo.
  6. Applicare regressione lineare per una gamma di frequenza limitata dello spettro S (ƒ) 1D su scala log-log, escluse punti in regioni a bassa frequenza e alta frequenza selezionate e avere la β pendenza della retta, che rappresenta una stima la componente spettrale nel modello FBM.
  7. Calcolare il valore stimato di FD come 15,49,50 FD = (8 - β) / 2.
  8. Trasformare lo spettro S 2D (ƒ, Ν) in una funzione 1D S (Ν), integrando in funzione dell'angolo per Νl'intervallo [0, 179 °], dal punto zero frequenza corso radiale distanza ƒ = [1, 128] pixel.
  9. Normalizzare S (Ν) avere unità somma e calcolare l'entropia del risultato come Equazione 6.9 .

La trasformazione geometrica sopra descritto porta ad un miglioramento rappresentazione e visualizzazione delle caratteristiche spettrali di giornali o spiculati trama 9. Selezionati regioni a bassa e ad alta frequenza devono essere esclusi per rimuovere gli effetti delle componenti a bassa frequenza legate all'aspetto complessivo dell'immagine e le grandi strutture presenti nell'immagine, nonché per evitare gli effetti di alta frequenza rumore. Nel presente lavoro, le bande di frequenze da escludere nella stima di β e FD (cioè le porzioni non lineari) sono selezionati sulla base di esperimenti utilizzando immagini di sintesi con nota FD, e anche utilizzando unanumero di ROI di mammografie. La gamma di ƒ utilizzato per adattare il modello lineare corrisponde a [6, 96] pixel o [0.117, 1.875] mm -1, dove la gamma di [1, 128] pixel corrisponde alla rappresentazione discreta della gamma di frequenza [0, 2,5 ] mm -1.

Le figure 9 e 10 illustrano le varie fasi di analisi frattale e la stima della diffusione angolare della potenza nel dominio della frequenza per un TP ROI e un FP ROI, rispettivamente. Figura 9D indica l'esistenza di modelli spiculating multidirezionali per il TP ROI, mentre in Figura 10D, la diffusione di alimentazione è limitata ad un piccolo numero di bande angolari per la FP ROI.

7. Motivo Classificazione e validazione

Ora abbiamo tre misure o funzioni per ogni ROI rilevate automaticamente: [valore del nodo, H F, FD], come descritto nella Sezione 6. Usiamo queste caratteristiche, individually e collettivamente, per caratterizzare i modelli spiculating relativi alla distorsione architettonica e di differenziare il TP ROI dalle ROI FP rilevati.

Per il ROI TP mostrato in Figura 9, il vettore funzione composta dalle tre misure derivate è [0,0299, 7,2224, 2,3037]. Per il ROI FP mostrato in Figura 10, la corrispondente funzione vettoriale è [0,0349, 6,9444, 2,5223]. Come previsto, il valore di H F è maggiore per il ROI TP che per la FP ROI, e il valore di FD è inferiore. Tuttavia, il valore del nodo è inferiore per il ROI TP che per la FP ROI, che è in contrasto con le differenze previsti, per la presenza di strutture sovrapposte in quest'ultimo. In generale, possiamo aspettarci alcune delle caratteristiche di seguire gli andamenti attesi e assistere nella classificazione delle ROI, anche se altre caratteristiche non riescono a dimostrare il comportamento previsto.

Per valutare le prestazioni delle funzioni, Usiamo l'area sotto la caratteristica di funzionamento del ricevitore (ROC) curva (AUC) 51,52 e senza risposta ROC (FROC) Analisi 53-55. Per ROC e FROC di analisi con una caratteristica individuale, non usiamo un classificatore addestrato, invece, si applica una soglia di scorrimento. Le tre caratteristiche individuali di nodo, FD, e H F forniti i valori di AUC di 0,61, 0,59 e 0,64, rispettivamente, che indicano un buon potenziale, ma non adeguata prestazione nella classificazione pattern. I valori di p delle stesse caratteristiche sono 1.7638e-009, 1.8793e-004, e 2.2615e-013, che indicano differenze statisticamente molto significative tra i loro valori per i set di rilevare automaticamente TP e FP ROI.

Quando un gran numero di caratteristiche sono utilizzati per rappresentare i campioni di classificazione, è necessario selezionare un sottoinsieme ottimale di caratteristiche in modo da rimuovere le caratteristiche correlate e ridurre la complessità del classificatore 20-22; diversi procedUres, come la regressione logistica 56, possono essere utilizzati per questo scopo. Nel presente lavoro, perché stiamo usando solo tre caratteristiche per ROI, noi non eseguiamo funzionalità di selezione.

Per eseguire la convalida del classificatore addestrato, si applicano le procedure di classificazione del modello con l'approccio leave-one-paziente-out. Escludiamo tutte le ROI estratti dalle mammografie del paziente da testare dalla procedura di formazione del classificatore, e poi applichiamo il classificatore così ottenuto per il test case. Abbiamo quindi ripetere la procedura per l'intero set di dati, un caso o paziente alla volta.

Per l'analisi ROC con il set di tre funzioni, usiamo un classificatore che esegue l'analisi discriminante quadratica con l'assunzione Bayesiano 57. Per generare curve Froc, consideriamo il TP ROI con il più alto valore discriminante nelle due immagini mammografiche disponibili per il paziente, tranne in sei casi in cui una solaimmagine è disponibile per ogni caso.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Le tre caratteristiche, vale a dire, il valore del nodo, FD, e H F, i valori di AUC forniti di 0.61, 0.59 e 0.64, rispettivamente, quando ogni funzione è stato utilizzato da solo. L'uso combinato delle tre caratteristiche fornito prestazioni migliorate con AUC = 0,70. La curva FROC ottenuto con la combinazione delle tre caratteristiche è illustrato nella Figura 11, che indica una sensibilità del 80% a 5,6 FPS / paziente e 89% a 7,5 FPS / paziente. L'utilizzo di solo il valore del nodo fornito una sensibilità dell'80% a 8.1 FPS / paziente e 89% a 13,8 PQ / paziente.

La riduzione dei PQ nel risultato finale è illustrata in Figura 12. Per motivi di illustrazione, vengono visualizzati solo sei ROI con la più alta classifica. I numeri di fuori delle parentesi indicano la classifica in base ai valori discriminanti ottenuti dal classificatore Bayesiano, i numeri tra parentesi corrispondono al posizionamento anteriore basato sulla mappa nodo. Confrontando Trong> Figura 12 con la fase iniziale di rilevazione del ROI sospette illustrati nella Figura 7, è chiaro che le caratteristiche utilizzate per caratterizzare distorsione architetturale hanno portato ad una sostanziale riduzione dei PQ, rispetto alla fase iniziale di analisi dei nodi, mantenendo buona sensibilità di rilevazione. Questo è un caso in cui tre delle ROI altamente ordinati sono sovrapposti con la zona sospetta di distorsione architetturale contrassegnato dal radiologo, e rappresenta un caso di rilevamento di successo, la nostra procedura.

In una applicazione clinica, il numero di ROI da visualizzare nel risultato finale dovrebbe essere determinato a seconda della sensibilità e numero di PQ che sarebbe tollerato, così come la preferenza dei radiologi desideri.

oad/50341/50341fig1.jpg "/>
Figura 1. (A) Una prima mammografia di dimensioni 1377 x 850 pixel a 200 micron di risoluzione / pixel; (A) corrispondente mammografia rilevamento di dimensioni 1374 x 850 pixel a 200 micron di risoluzione / pixel; (C) regione ingrandita di distorsione architettonica nell'immagine visualizzati in parte (A), di dimensioni 39,2 millimetri x 21,8 millimetri, (D) regione ingrandita di distorsione architettonica nell'immagine mostrata nella parte (B), di dimensioni di dimensioni 40,8 millimetri x 26,8 millimetri. La mammografia preventiva è stata presa 24 mesi prima della mammografia di rilevamento. Questo è un caso di cancro al seno schermo rilevato. Clicca qui per ingrandire la figura.

41fig2highres.jpg "/>
Figura 2. (A) Una prima mammografia di dimensioni 1377 x 850 pixel a 200 micron di risoluzione / pixel;. (B) corrispondente immagine dopo la pre-elaborazione per la segmentazione approssimativa della regione mammaria Clicca qui per ingrandire la figura.

Figura 3
Figura 3. (A) immagine Prova di una pianta con diverse parti orientate, di dimensioni 646 x 668 pixel; (B) Fourier spettro di ampiezza dell'immagine che mostra energia concentrata in diverse angolazioni; (C) Gabor risposta in ampiezza e (D) e l'angolo di Gabor . 180 filtri di Gabor stati usati nel range -90 ° a +90 °, con Τ > = 8 pixel e l = 8. Clicca qui per ingrandire la figura.

Figura 4
Figura 4. (A) Gabor grandezza e (B) le risposte angolo per la mammografia con distorsione architetturale mostrato in Figura 2B, di dimensioni 1377 x 850 pixel a 200 micron per pixel. 180 filtri di Gabor stati usati nel range -90 ° a +90 °, con Τ = 4 pixel e l = 8. Il rettangolo (rosso o verde) indica l'area di distorsione architettonica segnata dal radiologo, di dimensioni 47,6 millimetri x 29,9 millimetri. (C), (D) Ingrandito vista della regione di distorsione architettonica.es/ftp_upload/50341/50341fig4highres.jpg "target =" _blank "> Clicca qui per ingrandire la figura.

Figura 5
Figura 5 La tecnica NMS:. Rettangolo allungato (in grigio) indica la presenza di un CLS. I quadrati indicano pixel lungo una direzione perpendicolare all'orientamento delle CLS. La piazza centrale verde indica un nucleo CLS pixel.

Figura 6
Figura 6. NMS e risultati della selezione CLS sovrapposto l'immagine completa mammografico nella Figura 2A. (A) risultati NMS. (B) selezione CLSrisultati. I pixel segnati in bianco corrispondono a CLS pixel che vengono mantenuti per ulteriori analisi. (C) Risultati NMS e risultati (D) CLS di selezione nelle viste ingrandite per il ROI segnato in figura 4A. Clicca qui per ingrandire la figura.

Figura 7
Figura 7. (A) mappa Node e (b) ROI rilevati per la mammografia illustrato nella Figura 2B. L'immagine mammografica è di dimensioni 1377 x 850 pixel a 200 micron per pixel. La dimensione dell'area di distorsione architetturale (rettangolo rosso) contrassegnato dal radiologo è 47,6 millimetri x 29,9 millimetri. Ogni ROI è di dimensioni 128 x 128 pixel, tranne ai bordi della imetà. Clicca qui per ingrandire la figura.

Figura 8
Figura 8 Esempi di (A) -. (C) tre TP ROI e (D) - (F) tre FP ROI. Ogni ROI è di dimensioni 128 x 128 pixel. Vengono visualizzati i valori dei nodi corrispondenti. Clicca qui per ingrandire la figura.

Figura 9
Figura 9. (A) 128 x 128 pixel TP ROI con display architettoniche distorsione; dimensione pixel = 200 micron. Valore del nodo = 0,0299. (B) Il 2D Fourier spettro di log-potenza S (u, v) ottenuto dopo l'applicazione della finestra von Hann e zero padding il ROI di 256 x 256 pixel. (C) Lo spettro di potenza in (f, Ν) spazio. L'asse orizzontale corrisponde all'angolo Ν da 0 ° a 179 ° e l'asse verticale corrisponde alla frequenza radiale da 0,02 millimetri a 2,5 mm -1 -1. L'alto a sinistra pixel angolo corrisponde alla frequenza di 0,02 millimetri -1 e angolo di 0 °. Un telaio nero è stato applicato allo spettro. (D) diffusione angolare di potenza, S (Ν). Entropia HF = 7,2224. (E) La 1D spettro di potenza S (f) tracciata su una scala log-log in funzione della frequenza radiale f. La vestibilità lineare è mostrato anche (linea rossa), che ha portato in FD = 2,3037 per il TP ROI.Arget = "_blank"> Clicca qui per ingrandire la figura.

Figura 10
Figura 10. (A) 128 x 128 pixel FP ROI; dimensione pixel = 200 micron. Il ROI provocato un nodo di FP a causa di sovrapposizioni e / o intersezione strutture normali. Valore del nodo = 0,0349. (B) Il 2D Fourier spettro di log-potenza S (u, v) ottenuto dopo l'applicazione della finestra von Hann e zero padding il ROI di 256 x 256 pixel. (C) Lo spettro di potenza in (f, Ν) spazio. L'asse orizzontale corrisponde all'angolo Ν da 0 ° a 179 ° e l'asse verticale corrisponde alla frequenza radiale da 0,02 millimetri a 2,50 millimetri -1 -1. L'alto a sinistra pixel angolo corrisponde alla frequenza di 0,02 millimetri -1 e angolo di 0 °. A bl ack telaio è stato applicato allo spettro. (D) diffusione angolare di potenza, S (Ν). Entropia HF = 6,9444. (E) La 1D spettro di potenza S (f) tracciata su una scala log-log in funzione della frequenza radiale f. La vestibilità lineare è mostrato anche (linea rossa), che ha portato in FD = 2,5223 per la FP ROI. Clicca qui per ingrandire la figura .

Figura 11
Figura 11. FROC curva che mostra le prestazioni di rilevamento delle caratteristiche proposte.

oad/50341/50341fig12highres.jpg "/>
Figura 12. Etichettatura finale del ROI per la mammografia originale mostrata nella Figura 2. Il ROI sospetti rilevati in una fase precedente della lavorazione sono mostrati in figura 7. I rettangoli delineati in verde rappresentano TP ROI nella fase finale di analisi; restanti rettangoli delineati in giallo rappresentano PQ o falsi allarmi. Il rettangolo rosso indica l'area della distorsione architetturale contrassegnato dal radiologo per il presente studio, questa informazione non è stato utilizzato nella procedura leave-one-paziente-out applicata al caso di specie e non sarebbe disponibile in una applicazione prospettica del metodi proposti.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Abbiamo presentato una serie di sofisticate tecniche di elaborazione di immagini digitali e pattern recognition, noto anche come apprendimento automatico e CAD, per il rilevamento di distorsione architetturale in mammografie precedenti di casi intervallo-cancro. I metodi si basano sull'analisi dei pattern tessiturali orientati presenti in immagini mammografiche. I nostri metodi, tra cui diverse altre funzionalità proposte nelle nostre opere connesse, sono in grado di rilevare i segni precoci di tumore al seno 15 mesi prima del momento della diagnosi clinica, in media, con una sensibilità del 80% a meno di 4 FPS / paziente 22 , 58.

In una potenziale applicazione clinica, le ROI etichettati da nostre procedure dovrebbero essere visti come prompt per un'attenta ispezione delle corrispondenti aree delle mammografie dal radiologo. La decisione finale circa la presenza o l'assenza di cancro al seno deve essere effettuato dal radiologo, che può richiedere procedure di imaging aggiuntive otest clinici per verificare o confermare i sospetti sollevati dalla mammografia e CAD.

Sebbene i nostri metodi hanno fornito risultati entusiasmanti nel presente studio retrospettivo, non sono ancora pronti per l'uso clinico. I metodi impiegano circa 6 minuti per immagine su un Dell Precision PWS 490 workstation con processori Intel Xeon Quad operante a 3,0 GHz, con 12 GB di RAM; requisiti di calcolo devono essere ridotti di implementazione ottimale del codice informatico. I risultati sono paragonabili o leggermente migliori rispetto a quelli riportati in studi sulla distorsione architettonica con sistemi CAD disponibili in commercio 18,59,60, con la differenza che il presente lavoro si basa sulle mammografie precedenti. Il numero di PQ deve essere ridotto a circa uno al paziente con una sensibilità associata di almeno 80%.

Esistono limitazioni nel nostro lavoro in termini di tipi di distorsione architettonica rilevata dai modelli utilizzati. I metodi devono essere tested con set di dati più grandi. I parametri utilizzati nei metodi, che sono stati determinati empiricamente nel presente lavoro, devono essere ottimizzate in relazione alle caratteristiche dei mammografie in un dato insieme di dati da analizzare. Ci aspettiamo che le nostre procedure per portare a risultati migliori con mammografie digitali dirette e immagini tomosintesi al seno rispetto a quelli ottenuti con le immagini dello schermo-pellicola scansionate come nel presente lavoro.

Conclusione

I nostri metodi promettenti nella rilevazione di distorsione e di cancro al seno architettonico nelle fasi iniziali. Ulteriore lavoro è necessario per ottenere il rilevamento di distorsione architettonica con alta sensibilità e basso tasso di FP.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori non hanno nulla da rivelare.

Acknowledgments

Questo lavoro è stato sostenuto da sovvenzioni dal programma di collaborazione di ricerca e formazione Experience (CREATE) e Discovery Grant scienze naturali e ingegneria Research Council (NSERC) del Canada.

References

  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).

Tags

Medicina Numero 78 Anatomia Fisiologia Biologia del Cancro spread angolare distorsione architettonica il cancro al seno diagnosi computer-aided diagnosi computer-assistita (CAD) entropia moto browniano frazionario dimensione frattale filtri di Gabor Image Processing medico Informatica nodo della mappa struttura orientata Pattern Recognition ritratti di fase mammografie precedenti l'analisi spettrale
Rilevamento di distorsione architettonica in mammografia precedenti<em&gt; Via</em&gt; Analisi dei modelli Oriented
Play Video
PDF DOI

Cite this Article

Rangayyan, R. M., Banik, S.,… More

Rangayyan, R. M., Banik, S., Desautels, J. E. L. Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns. J. Vis. Exp. (78), e50341, doi:10.3791/50341 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter