Påvisning av Architectural Distortion i Prior Mammografi Published: August 30, 2013 doi: 10.3791/50341

DOI

Automatic Translation

• English (Original)
• العربية (Arabic)
• 中文 (Chinese)
• dansk (Danish)
• Nederlands (Dutch)
• français (French)
• Deutsch (German)
• עברית (Hebrew)
• हिंदी (Hindi)
• italiano (Italian)
• 日本語 (Japanese)
• 한국어 (Korean)
• norsk (Norwegian)
• português (Portugese)
• русский (Russian)
• español (Spanish)
• svenska (Swedish)
• Türkçe (Turkish)

Rangaraj M. Rangayyan^1,2, Shantanu Banik¹, J.E. Leo Desautels¹

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

Summary

Vi demonstrere metoder for påvisning av arkitektonisk forvrengning i tidligere mammografi. Orienterte strukturer er analysert ved hjelp av Gabor filter og fase portretter å oppdage områder av utstrålende vev mønstre. Hvert område er karakterisert og klassifisert ved hjelp av tiltak for å representere spiculating mønstre. Metodene som skal hjelpe til påvisning av brystkreft.

Abstract

Vi demonstrere metoder for påvisning av arkitektonisk forvrengning i tidligere mammografi av intervall-krefttilfeller basert på analyse av orienteringen av brystvev mønstre i mammografi. Vi hypotese at arkitektonisk forvrengning modifiserer normal orientering av brystvev mønstre i mammografibilder før dannelsen av massene eller svulster. I de første trinnene av våre metoder, er de orienterte strukturer i en gitt mammogram analysert ved hjelp av Gabor filter og fase portretter å oppdage node-lignende områder av stråler eller kryssende vev mønstre. Hver detektert område er da karakterisert ved å bruke node verdi, fraktal dimensjon, og er et mål på vinkel dispersjon spesielt utformet for å representere spiculating mønstre forbundet med arkitektonisk forvrengning.

Våre metoder ble testet med en database med 106 tidligere mammografi av 56 intervall-kreft tilfeller og 52 mammografi av 13 normale tilfeller ved hjelp av funksjoner utviklet forkarakterisering av arkitektonisk forvrengning, mønster klassifisering via kvadratisk diskriminerende analyse, og validering med permisjon-ett-pasient ut prosedyre. Ifølge resultatene av fri-responsmottaker som opererer karakteristisk analyse, har våre fremgangsmåter demonstrert evnen til å detektere arkitektonisk forvrengning i tidligere mammografi, tatt 15 måneder (i gjennomsnitt) før klinisk diagnose av brystkreft, med en følsomhet på 80% ved omtrent fem falske positiver per pasient.

Introduction

Brystkreft er en stor sykdom rammer kvinner og er den nest største årsaken til kreft dødsfall blant kvinner ^1,2. For å bedre sjanse til å overleve og prognosen av de berørte pasienter gjennom effektiv behandling på tidlige stadier av brystkreft, må sykdommen som skal detekteres så tidlig som mulig. I retrospektiv analyse av tilfeller av brystkreft, har subtile tegn på misdannelser er observert på tidligere ervervede screening mammografi ^3,4. Arkitektonisk forvrengning er et slikt lokalisert mammografisk tegn på muligens tidlige stadier av brystkreft som er vanskelig å oppdage ^5,6. De tilknyttede mønstre er vagt beskrevet som forvrengning av den normale arkitekturen i brystet med ingen bestemt masse synlig. Arkitektonisk forvrengning kunne vises på den innledende fasen av dannelsen av et bryst masse eller svulst. Vi hypotese at screening mammografi innhentet før påvisning av brystkreft cOuld inneholde subtile tegn på tidlige stadier av brystkreft, i særdeleshet, arkitektonisk forvrengning.

Figur 1a viser en tidligere mammografi bilde av en kasse skjerm-detektert kreft. Regionen abnormitet identifisert av en radiolog (JELD) er skissert med en rød firkant. Den forutgående mammogram tatt 24 måneder før påvisning mammogram vist i figur 1b. Den tidligere mammogram hadde blitt erklært å være fri for tegn på kreft på den opprinnelige forekomsten av screening. I retrospektiv analyse og sammenlignet med påvisning mammografi, en mistenkelig region relatert til området av kreft oppdaget var merket med radiologen, og er skissert i rødt på før mammografi. Den mistenkelige regionen inneholder tegn på arkitektonisk forvrengning, inkludert spicules.

Dataassistert diagnose (CAD) teknikker og systemer tilbyr muligheten for å oppnå økt følsomhet i deteksjon av breast kreft ^2,7-9. Imidlertid, i sammenligning med det antall publikasjoner som foreligger i litteraturen for påvisning av andre tegn på brystkreft, slik som masser og forkalkninger, er blitt rapportert bare et lite antall studier på påvisning av arkitektoniske forvrengning i fravær av en sentrale masse ^10-17. Kommersielt tilgjengelige DAK-systemer har blitt funnet å gjøre det dårlig i deteksjon av arkitektoniske forvrengning ^18. Studier på påvisning av arkitektoniske forvrengning i tidligere mammografi av skjerm oppdaget eller intervall-krefttilfeller ^3,4,19-22 kunne bidra i å utvikle strategier for deteksjon og behandling av brystkreft sykdommer i sine tidlige stadier, og fører til bedring i prognose for pasienten ^23.

Utarbeidelse av bilete for Experiment

Forsøkene ble utført med 158 mammografibilder inkludert 106 tidligere mammografi av 56 personer diagnostisertmed brystkreft og 52 bilder av 13 normale individer. Etikk godkjenning for studien ble hentet fra Conjoint helsefaglig forskningsetikk Board, Office of Medical Bioethics, University of Calgary, og Calgary RHF. Bildene ble hentet fra Screen Test: Alberta Program for tidlig deteksjon av brystkreft ^21,24,25.

Mammografi ervervet i siste planlagte besøk til screeningprogrammet før diagnostisering av kreft utenfor screeningprogrammet ble merket som tidligere mammografi av intervall-krefttilfeller. De tilsvarende diagnostiske mammografi var ikke tilgjengelig. Alle unntatt to av de 106 tidligere mammografi hadde blitt erklært å være fri for tegn på brystkreft ved kjøpstidspunktet og analyse i screeningprogrammet, enkeltpersoner som tilsvarer de to andre mammografi hadde blitt henvist til biopsi. Tidsintervallet mellom diagnostisering av kreft og tidligere mammografi varierte fra 1,5 månedens til 24,5 måneder, med et gjennomsnitt på 15 måneder og standardavvik på 7 måneder. Alle de tidligere mammografi av intervall-krefttilfeller er tilgjengelige i databasen har blitt inkludert i denne studien, bortsett fra seks bilder hvor ingen mistenkelige deler kunne bli identifisert.

De skjerm-film mammografi ble digitalisert på romlig oppløsning på 50 mikrometer og grå-skala oppløsning på 12 bits per piksel bruker Lumiscan 85 laserskanner (Lumisys, Sunnyvale, CA). En ekspert radiolog spesialisert på mammografi (JELD) gjennomgått alle de 106 tidligere mammografi av intervall-krefttilfeller og merket de mistenkte regioner av arkitektonisk forvrengning med rektangulære bokser basert på de rapportene som er tilgjengelige ved etterfølgende bildebehandling eller biopsi, eller etter nærmere inspeksjon av mammografi . Av de 106 tidligere mammografibilder i datasettet brukt i denne studien, 38 bilder har synlige arkitektoniske forvrengning, og de resterende 68 bilder inneholder tvilsom eller ingen klart evident arkitektonisk forvrengning. Hver før mammogram inneholder et enkelt område av arkitektonisk forvrengning som er identifisert av den rektangulære boksen trukket av radiolog. Den gjennomsnittlig bredde, høyde og areal på de 106 mistenkelige delene av bildene merket med radiologen er 56 mm, 39 mm, og 2274 mm ^2, med standardavvik på 11,8 mm, 11,6 mm, og 1073,9 mm ^2, henholdsvis.

Protocol

En. Oversikt over metodikk

I vår prosedyre, er potensielle områder av arkitektonisk forvrengning i mammografi oppdages automatisk via analyse av orienterte stofflighet mønstre med anvendelsen av en bank av Gabor filtrerer ²⁶ og modellering av fase portretter ^11,27. De detekterte områder blir deretter bearbeidet gjennom trinnene for ekstrahering av trekk eller tiltak for å karakterisere arkitektonisk forvrengning, utvikling av en trenet klassifikator, og anvendelse av en algoritme for mønstergjenkjenning eller klassifisering. Prosedyren er oppsummert av følgende trinn ^11,20,21:

1. Segment brystdelen i den gitte mammografisk bildet ved hjelp av adaptiv terskelverdier og morfologisk åpning.
2. Påfør et sett med 180 Gabor filtrerer med vinkler i avstand jevnt over området -90 ° til 90 ° for å oppnå den Gabor magnitude bilde, M (i, j), og Gabor vinkelbildet, θ(I, j), ved å velge respons og vinkelen på filteret med den høyeste respons ved hvert bildepunkt, (i, j).
3. Velg krumlinjet strukturer (CLSS) av interesse, for eksempel spicules og fibroglandular vev, ved å skille dem fra forvirrende strukturer, slik som kanten av brystmuskelen, parenchymalvevet, bryst grense, og støy, ved hjelp av orienteringsfeltet, gradient-feltet den nonmaximal undertrykkelse (NMS) teknikk, og flere forhold ^11.
4. Filtrer retningen feltet med en Gaussisk filter med standardavviket av 7 bildepunkter og ned-prøven med en faktor på fire for å redusere støy og ytterligere beregningskravene ^11,20.
5. Påfør lineær fase portrett modellering, med en glidende analyse vindu størrelse 10 x 10 piksler ved 800 mikrometer / pixel, med én piksel per trinn, til den filtrerte orientering feltet, med bestemte vilkår for å velge fase portrett kart knyttet til bestemte typer node patteRNS ^11,20.
6. Avgi stemme, dersom visse vilkår er oppfylt, på stillingen gis av det faste punktet for hver stilling av analysen vinduet for å danne kartet noden.
7. Filter kartet node med en gaussisk vindu i størrelse 35 x 35 piksler, med empirisk bestemt standardavviket 6 piksler (4,8 mm), for å konsolidere stemmer i umiddelbar nærhet til hverandre.
8. Analyser kartet noden av rang-bestilling toppene i kartet noden.
9. Avskårne regioner av interesse (ROIs), med størrelse 128 x 128 piksler, bortsett fra ved kantene, fra det opprinnelige bildet, med midten av hver ROI som ligger i midten av den tilhørende topp i kartet noden. På kantene av bildet blir behandlet, lage ROIs å inkludere så mye av bildedataene som er tilgjengelige i det angitte vinduet.
10. Utlede funksjoner eller tiltak for å karakterisere spiculating mønstre knyttet til arkitektonisk forvrengning og skille dem fra normale vev mønstre som møtte noen av de opprinnelige vilkår.
<li> Utvikle en trenet klassifikator å diskriminere mellom funksjonene i områder med arkitektonisk forvrengning og de av normalt vev mønstre ved hjelp av en trenings sett Rois klassifisert av en radiolog.
11. Påfør trent klassifikator til et sett av testtilfeller og verifisere resultatene med diagnosen gitt av radiolog og basert på biopsi.

Steps 1-9 nevnt ovenfor brukes automatisk til en gitt mammografibildet. Utvalgte trinn i prosedyren nevnt ovenfor er beskrevet og illustrert i de følgende avsnittene.

2. Forbehandling av mammografibilder

Den forbehandling scenen består av følgende trinn:

1. Filtrere gitt mammografisk bildet ved hjelp av en Gaussian filter, med et standardavvik på 2 piksler og størrelse på 13 x 13 piksler i oppløsning på 50 mikrometer / pixel og 12 bits / pixel, og ned-prøven til 200 mikrometer / pixel og 8 bits / pikslers oppløsning.
2. Reflekterbildet dersom det er av den høyre bryst.
3. Segment bryst regionen i mammografisk bildet ved hjelp av Otsu adaptive thresholding metode og morfologisk åpning med en skiveformet strukturerende element med radius 25 piksler (5 mm på 200 mikrometer / pixel) ^21,28,29.
4. Oppdage den omtrent bryst grensen ^10,21.

Figur 2A viser en opprinnelig forut mammogram. Figur 2B av samme figur viser resultatet av omtrentlig segmentering av brystparti, som er brukt i de etterfølgende trinnene med behandling og analyse.

Tre. Utvinning av Oriented mønstre ved hjelp av Gabor Filters

Den virkelige Gabor filterfunksjon orientert ved -90 ° er spesifisert i vårt arbeid som ^10,30:

der & #963, _x og _y er σ standardavviket verdier i x-og y-retningene, og ƒog _o er frekvensen av den modulerende sinussignal. Filtre ved andre vinkler oppnås ved å rotere denne funksjon ved hjelp av koordinattransformasjon som:

, hvor (x ', y') er det sett av koordinater roteres med vinkelen α.

Parametrene i likning 1 for filtrering mammografi er utledet i vårt arbeid ved å ta hensyn til den gjennomsnittlige størrelsen på brystvevet mønstre for å bli oppdaget, som følger ^10:

1. La Τ være full bredde ved halvt maksimum av den gaussiske sikt i ligning 1 langs x-aksen.
2. La Τ = 4 piksler, tilsvarende en tykkelse på 00,8 mm på pikselstørrelse på 200 mikrometer.
3. Beregn .
4. La den perioden av cosinus sikt være Τ, deretter ƒ _o = 1 / Τ.
5. La verdien av σ _y defineres som σ _y = loSenterene _x, hvor l angir den forlengelse av Gabor filteret i y-retningen, i forhold til bredden av filteret i x-retningen. For analyse av mammografi på 200 mikrometer / pixel, bruk l = 8.

En bank med 180 fast Gabor filtre jevnt fordelt over området -90 ° til 90 ° brukes i våre fremgangsmåter for påvisning av orienterte mønstre i mammografi ^{10, 21.} For hver gitt bilde, en Gabor magnitude bilde, M (i, j), og en Gabor vinkel bilde, θ (i, j), blir oppnådd ved bruk av responsen og vinkelen the Gabor filter med den høyeste respons ved hvert bildepunkt, (i, j).

Den Gabor filteret har en ikke-null magnitude svar på opprinnelsen til frekvensplan (null frekvens). Fordi lavfrekvente komponenter som ikke er relatert til tilstedeværelsen av arkitektoniske forvrengning, er det ønskelig å redusere effekten av de lavfrekvente komponenter i mammografi bildet i retning feltstørrelsesorden. Derfor mammografi bilder er høy-pass filtrert før utvinning av orienteringsfeltet. Dette oppnås ved å beregne differansen mellom det opprinnelige bildet og en lav-pass-filtrert versjon av det samme bilde. Den lav-pass filter som brukes i dette trinnet er et Gaussisk filter med standardavvik lik σ _y er definert som ovenfor.

Selv om man kunne lagre filtrert bilde for hver vinkel av interesse, i dette arbeidet, er den maksimale responsen på hver piksel over alt av filtrene (vinkler) som brukeslagres i ett enkelt bilde, kalt Gabor magnitude response, den tilsvarende vinkel for den Gabor filter lagres i hver piksel i et annet bilde, kalt Gabor vinkelresponsen. Sammen utgjør de to utgangs bilder gir orienteringen innenfor det gitte bildet.

Fig. 3A viser et testbilde av et anlegg. Figur 3B viser Fourier-spekteret av bildet, som viser konsentrasjoner av energi i ulike vinkler. Alle deler av bildet med samme retning, uavhengig av deres posisjon og størrelse, har sine frekvenskomponenter (spektral energi) som ligger i en vinkel band eller sektor plassert i 90 ° i forhold til sin legning i bildet. Resultatene av å filtrere bildet med Gabor filtrerer med Τ = 8 piksler og l = 8 er vist på figurene 3C og D. Det er åpenbart at de Gabor filtre har ekstrahert deler av anlegget orientert i forskjellige vinkler med høy magnitude respons og at vinkelen respons stemmer overens med retningen for den dominerende egenskap til stede på den tilsvarende piksel. Ved hjelp av en bank av Gabor-filtrene orientert i flere vinkler over området -90 ° til +90 °, har vi ekstrahert alle de orienterte komponenter som er tilstede i bildet, og de vinkler ved hver piksel. Det er åpenbart at responsen fra Gabor filtrene er nesten null på glatte flater med samme intensitetsnivå, og ingen strukturer med foretrukne orientering, slik som deler av potten og veggen.

Figur 4 viser de Gabor magnitude og vinkel responser oppnådd for mammogram med arkitektonisk forvrengning vist i figur 2B. Det er åpenbart at de Gabor filtre har ekstrahert orienterte komponenter med høy respons, så vel som de tilsvarende vinkler. Det sees også at responsen fra Gabor filtrene er lav i jevne områder med nesten konstant densitet og ingen strukturer med foretrukne orienteringsjon. Ved nær inspeksjon, kan det også observeres at responsen fra Gabor filtrene avhenger av kontrasten av en orientert struktur i forhold til bakgrunnen, og ikke bare på dets tetthet eller lysstyrke. Disse resultater er på grunn av båndpass-arten av de Gabor filtre.

4. Valg av krumlinjet Structures

Mammografi inneholde mange clss tilsvarende kanaler, fartøyer, leddbånd, parenchymalvevet, og kantene av brystmuskelen. Noen avvik i mammografi kan karakteriseres ved nærvær av visse typer av CLS, slik som spiculated masser ^12,31,32 og arkitektonisk forvrengning ^10,11,33, eller ved asymmetrisk struktur av orientert struktur i bryst bildet ^34.. På den annen side er visse typer av lesjoner, slik som avgrensede masser, kan være skjult av flere CLSS lagret lesjoner i de projiserte bilder mammografi, fremkomsten av slike lesjoner kan være altered og kan føre til falske negative påvisning eller feildiagnostisering. Analyse av clss stede i mammografi kunne forbedre ytelsen til algoritmer for deteksjon av spiculated massene og arkitektonisk forvrengning, som foreslått av Zwiggelaar et al. ^35. Derfor er identifisering av clss et viktig skritt i deteksjon av arkitektonisk forvrengning.

Selv om Gabor filterbank som brukes i foreliggende arbeide er følsom for lineære strukturer, slik som spicules og fibre, er det også oppdaget andre sterke kanter, slik som kanten av brystmuskelen, kantene av parenchymalvevet og beholderveggene, som orienterte strukturer . Sterke kanter rundt fibroglandular disk ³⁶ kan brukes i påvisning av en spesiell form for arkitektonisk forvrengning ³⁷ kjent som fokal retraksjon. Imidlertid, i det foreliggende arbeid, er det viktig at bare CLSS relatert til fibroglandular vev blir identifisert som orienterte funksjoner.

1. Segment brystet området i en gitt mammogram som beskrevet i § 2.
2. Oppdage kjerne CLS piksler ved å påføre NMS teknikken ^35,38 til Gabor magnitude respons image.
3. Avvis clss piksler på steder med en sterk stigning ^33.

NMS-algoritmen identifiserer kjerne CLS punkter ved å sammenligne hvert piksel i størrelsesorden respons bilde med sine naboer langs den retning som er vinkelrett på den lokale orientering feltvinkel, se figur 5.. Hvis pixel under etterforskning har et større omfang verdi enn de tilsvarende naboer, er pixel en kjerne CLS piksel. NMS er et vanlig trinn i mange kant detektorer (for eksempel Canny kantdetektoren ^39). Zwiggelaar et al. ³⁵ brukte NMS for påvisning av CLS piksler på samme måte som beskrevet i detteseksjon.

Nærværet av en sterk gradient kan forårsake en krusning i Gabor magnitude response, som fører til en feilaktig deteksjon av et CLS. Kjernen CLS piksler forbundet med tilstedeværelse av sterke gradienter er avvist av de kriteriene som foreslås av Karssemeijer og te bremse ¹² i forbindelse med påvisning av spiculated lesjoner. Gradienten av mammografi bildet er oppnådd ved bruk av den første deriverte av en gaussisk med et standardavvik på fem piksler (1 mm). For hver kjerne CLS piksel, blir retningen av gradienten i forhold til retningen av orienteringen feltet. Hvis differansen mellom retningen av orienteringen feltet og retningen perpendikulært på gradienten er mindre enn 30 °, blir den tilsvarende kjerne CLS piksel kastes.

De clss innenfor fibroglandular disken vanligvis har redusert kontrast i forhold til de clss utenfor fibroglandular disk. Følgelig clss innenfor løgnroglandular disk har mindre Gabor magnitude respons verdier enn clss utenfor disken. For å tilordne den samme vekten til alle de CLS piksler uavhengig av plassering, og for å sikre påvisning av den aktuelle CLSS med liten kontrast, slik som spicules innenfor fibroglandular disk, er størrelsen felt M (i, j) erstattet videre behandling av et bilde sammensatt av bare kjerne CLS piksler, M _CLS (i, j), definert som følger:

Bildet M _CLS (i, j) formidler viktig informasjon om tilstedeværelse av clss. Figur 6 viser resultatene av CLS utvalg med en full mammogram og en ROI. På grunn av tilstedeværelsen av arkitektoniske forvrengning er indikert av den geometriske anordning av den tilhørende CLSS snarere enn deres tetthet eller intensitet, forstørringtude av den detekterte CLSS er av mindre viktighet enn den romlige utformingen av de orienterte strukturer.

5. Påvisning og merking av mistenkelige områder via analyse av fase Portretter

Rao og Jain ⁴⁰ utviklet en metode for analyse av orienterte tekstur i bildene ved å knytte den tilsvarende gradient orientering feltet med utseendet på faseportretter. En fase portrett av et system av to lineære, første orden, differensialligninger viser mulige baner av tilstandsvariable ^27.

La p (t) og q (t), t R, representerer to deriverbare funksjoner av tiden t, relatert som

Her^• p (t) og q ^• (t) er den første-ordens-derivater med hensyn til tid, og F og G er funksjoner av p og q ^10. Gitt den innledende tilstander p (0), og q (0), oppløsningen [p (t) q (t)], kan fremstilles i form av en parametrisk bane eller strømlinje av en hypotetisk partikkel i den (p, q ) plan. Partikkelen er plassert på [p (0) q (0)] på tidspunktet t = 0 og beveger seg gjennom den (p, q) plan med hastigheten [p ^• (t) og q ^• (t)]. Den (p, q) planet er kjent som faseplanet i systemet. En fase stående er et diagram over de mulige baner av en partikkel i faseplanet. Et fast punkt er et punkt i faseplanet hvor p ^• ( m> t) = 0 og q ^• (t) = 0. En partikkel igjen på et fast punkt blir stående stille. For en affint system, har vi

Her er A en 2 x 2-matrise, og b er et 2 x 1 kolonnematrise. Sentrum (p _0, Q ₀₎ til den fase stående er gitt ved det faste punktet i

Hvis vi knytte funksjoner p (t) og q (t) ved hjelp av x-og y-koordinatene til planet for bildet som skal behandles, i den tilsvarende retning feltet

res.jpg "width =" 500 "/>
Her Φ (xy) er vinkelen for den hastighetsvektor [p ^• (t), ^• q (t)] med hensyn til x-aksen ved (x, y) = [p (t) q (t)] . Vi forbinder Φ (xy) med Gabor vinkel respons θ (i, j), og å definere en feil-funksjon som skal minimaliseres som

hvor [a, b] og [c, d] er de to rekkene med A. Det siste leddet gir en høyere straff (kostnad) for avvik i konfigurasjoner av matrisen A fra de som er knyttet til spiculated node mønstre. Den ligning som er gitt ovenfor representerer Φ (xy) av et diskret gitter (i, j) i stedet for den kontinuerlige mellomrom (x, y). Estimates av A og B som minimerer ε ² (A, B) er fremstilt ved følgende prosedyre:

1. Skaffe første estimatene av A og B gjennom minimering av ε ² (A, b) ved hjelp av simulert annealing metoden ^41.
2. Skaff den optimale estimater ved å avgrense de første estimatene ved hjelp av en ikke-lineær minste kvadraters algoritme ^42.

I modellen som er beskrevet ovenfor, er det tre mulige typer fase portretter: node, sadel, og spiral. Den type fase portrett bestemmes av egenverdiene til A ^10,27,30,40. Orienteringen felt av en strukturert bilde kan beskrives ved å bestemme hvilken type av fase stående som er mest lik sin orientering felt. Fordi spiralmønstre er ikke av interesse i analysen avmammografi, vi begrense matrisen A for å være symmetrisk, noe som resulterer i bare to typer fase portretter: Node og sal.

På grunn av den forventede tilstedeværelse av en rekke spicules ved forskjellige vinkler som blir overlagret på det projiserte bildet for mammografi, hypotese vi at et område av arkitektonisk forvrengning vil presentere node-lignende egenskaper. Men normalt vev, kanaler, fartøyer, og andre orienterte strukturer i brystet kan også få anslått og lagret for å danne mønstre som etterligner utseendet av arkitektonisk forvrengning i en mammogram. Derfor analyserer vi noden kartet for påvisning av mistenkelige områder eller potensielle områder av arkitektonisk forvrengning, og analysere de oppdagede områder gjennom ytterligere skritt av funksjonen utvinning og mønster klassifisering.

Fordi en mammogram kunne inneha flere mønstre, bruker vi en glidende analyse vindu av størrelse 10 x 10 piksler, på 800 mikrometer / pixel, med one pixel per trinn. For hver stilling av vinduet, blir en stemme støpt i et kart, referert til som kartet node, i posisjon gitt av de tilsvarende faste punkt, hvis alle de betingelser som er brukt er oppfylt. Resultater knyttet til matrisen A med sin tilstand tall større enn 3,0 er avvist å ignorere mønstre ikke forventes å bli assosiert med arkitektonisk forvrengning ^11. Videre er en ytterligere betingelse pålagt avstanden mellom et fast punkt og posisjonen til det tilsvarende analyse-vinduet: Hvis avstanden er mindre enn tre punkter (2,4 mm) eller større enn 20 piksler (16 mm), er resultater for den aktuelle Analysevinduet er avvist. Størrelsen av den stemme settes lik forholdet mellom grad av tilpasning ε ² (A, B), som er definert i ligning 7, til tilstanden antall A, for å understreke isotropi av fasen portrett. Noden kartet er deretter analysert for å oppdage local maxima eller topper som forventes å indikere områder av arkitektonisk forvrengning. Imidlertid er fremgangsmåten også resulterer i påvisning av en rekke falske-positive (FP) områder som følge av overlagrede normale strukturer.

På hver topp i kartet noden, vi automatisk trekke en ROI, av størrelse 128 x 128 piksler, unntatt på kantene av bildene, fra mammografibildet på 200 mikrometer / pixel. Vi merke Rois den indikerte av toppene i kartet noden steder, i nedad av verdiene av toppene, opp til et maksimum på 30 ROIs per mammografi.

Når mammografi med kjente diagnoser blir brukt til å trene vår prosedyre, den registreres automatisk ROIs med sine sentre innenfor de delene av arkitektonisk forvrengning identifisert av radiologen er merket som sann-positive (TP) Rois, de andre er merket som FP ROIs for bruk i treningen prosedyren. Når et mammogram analyseres ved hjelp av fremgangsmåten trent alle de ROIs oppdaget ens ovenfor behandles for klassifisering uten merking.

Figur 7 viser node kartet og ROIs detektert for mammogram vist i figur 2B. De røde rektanglene viser den mistenkelige området preget av radiologen.

Figur 8 viser en rekke TP og FP ROIs hentet automatisk fra flere mammografi. De fleste av de TP ROIs har flere spicules og orientert mønster fordelt over et bredt spekter av vinkler. FP ROIs, på den annen side, har et mindre antall normale vevstrukturer orientert over et smalere spekter av vinkler, uavhengig, på grunn av deres superposisjon i det projiserte bildet for mammografi, etterligne de node-lignende egenskaper for arkitektonisk forvrengning.

Vår strategi er å oppdage mistenkelige regioner med høy effektivitet eller følsomhet i den innledende fasen (med tilsvarende lave falske negativer), selv om den medfølgende nummer FPS er stor. Det neste trinnet i analysen av de Rois er utformet for å bidra til å redusere fps via effektiv karakterisering og klassifisering av det oppdagede Rois.

6. Karakterisering av Architectural Distortion

En automatisk oppdaget ROI inkludert arkitektonisk forvrengning, sentrert på en topp i den relaterte node kartet, er sannsynlig å ha flere spicules spredt på ulike vinkler. Vi venter at dette karakteristiske for å føre til et bredt vinkel-spredningen av energien i bildet domenet og spektrale energi i Fourier-domenet. I våre tidligere arbeider har vi vist at en slik vinkel dispersjon kan representeres effektivt i form av et rosediagram, som er en vinkel histogram ^21,22. Vi normalisere rose diagrammet for å ha arealenhet og behandle det som en sannsynlighetstetthet (PDF). Så, karakteriserer vi PDF av hver avkastning ved hjelp av entropi, som er et statistisk mål på uorden eller scatter.

ontent "> Den økte scatter av vev mønstre i regioner med arkitektonisk forvrengning modifiserer fraktal natur normalt brystvev. Den vanlige modeller av fraktaler er basert på Multiskala nestede mønstre av selv lignende mønstre ^43-46. annen modell av fraktal atferd er fraksjonert Brownske bevegelser (FBM) som er relatert til et spektrum i frekvensdomenet, der kraften avtar proporsjonalt med (1 / f) ^ β, hvor f er frekvensen og β er kjent som spektral-komponenten ^47,48. The FBM-modellen fører til fraktal bilder som ligner på tilfeldige overskyet mønstre;. sammenlignbare mønstre er ofte sett i mammografi For å bruke denne modellen til bilder, må de to-dimensjonale (2D) Fourier spektrum av bildet som skal konverteres til en -dimensjonale (1D)-funksjonen.

Vi har utviklet en integrert metode for å karakterisere kantete spredning og å utlede et estimat av de fraktale dimension (FD) av et bilde ved å kartlegge 2D Fourier-spekteret av bildet i rektangulære koordinater, betegnet med S (u, v), til et spektrum i polarkoordinater, merket med S (ƒog, Ν). Prosedyren er beskrevet av følgende trinn ^21:

1. Påfør von Hann vinduet til hver automatisk hentet 128 x 128 ROI og pad resultatet med nuller til en rekke størrelse 256 x 256 piksler.
2. Beregn 2D Fouriertransformasjon av polstret ROI, og idet størrelsen av hver resulterende komplekse verdi for å oppnå et estimat av effektspekteret, S (u, v), for avkastningen.
3. Identifiser valgte lavfrekvente og høyfrekvente deler av spekteret for uttrekk i de etterfølgende trinn.
4. 2D-kartet effektspekteret S (u, v) fra kartesiske (rektangulære) koordinater (u, v) til polare koordinater (ƒ, Ν) for å få S (ƒ, Ν), ved resampling og beregning av en vektet gjennomsnitt av fire naboer av each punkt for radial avstand f fra null til halvparten av samplingsfrekvensen, og over området av vinkelen Ν = [0, 179 °].
5. Transformering 2D-spektrum S (ƒog, Ν) i en 1D funksjon S (ƒog), ved å integrere som en funksjon av den radielle avstand eller frekvensen f fra null-frekvens punkt over området i Ν = [0, 179 °] i vinkel.
6. Påfør lineær regresjon til et begrenset frekvensområde av 1D-spektrum S (ƒog) på en log-log skala, med unntak av punkter i valgte lavfrekvente og høyfrekvente regioner, og oppnå skråningen β av det monterte linje, som er et estimat spektral-komponenten i FBM modellen.
7. Beregn den anslåtte verdien av FD som ^15,49,50 FD = (8 - β) / 2.
8. Transformering 2D-spektrum S (ƒog, Ν) i en 1D funksjon S (Ν), ved å integrere som en funksjon av vinkelen for Νintervallet [0, 179 °], fra null-frekvens punktet over radial avstand ƒ = [1, 128] piksler.
9. Normal S (Ν) for å ha enhet sum og beregne entropi av resultatet som .

Den geometriske transformasjon beskrevet ovenfor fører til bedre representasjon og visualisering av spektrale egenskapene til periodisk eller spiculated tekstur ^ni. Valgte lav-og høyfrekvente regioner må utelukkes for å fjerne effektene av de lavfrekvente komponenter i forbindelse med den generelle utseende av bildet og de store strukturer som er tilstede i bildet, så vel som for å forhindre virkningene av høyfrekvente støy. I dette arbeidet, til band av frekvenser utelukkes at estimering av β og FD (dvs. de ikke-lineære porsjoner) er valgt basert på eksperimentering ved hjelp av syntetiserte bilder med kjent FD, og også ved hjelp av enantall ROIs av mammografi. Utvalget av ƒog brukt for å passe til den lineære modellen tilsvarer [6], 96 piksler eller [0,117, 1,875] ^-1 mm, hvor utvalget av [1], 128 piksler svarer til diskret representasjon av frekvensområdet [0, 2.5 ] mm ^-1.

Figurene 9 og 10 viser de ulike trinnene for fraktal analyse og estimering av vinkel spredning av makt i frekvensdomenet for en TP ROI og en FP ROI, henholdsvis. Figur 9D indikerer eksistensen av allsidig spiculating mønstre for TP ROI, mens i figur 10D, er spredningen av strømmen er begrenset til et lite antall vinkelformede bånd for FP avkastningen.

7. Mønster Klassifisering og validering

Vi har nå tre mål eller funksjoner for hver ROI oppdaget automatisk: [node verdi, H _F, FD], som beskrevet i kapittel 6. Vi bruker disse funksjonene, jegndividually og kollektivt, for å karakterisere spiculating mønstre knyttet til arkitektonisk forvrengning og å differensiere TP ROIs fra FP Rois oppdaget.

For TP ROI vist i figur 9, funksjonen vektor komponert av de tre tiltakene som stammer er [0,0299, 7,2224, 2,3037]. For FP ROI vist i figur 10, er den tilsvarende vektor [0,0349, 6,9444, 2,5223]. Som forventet, er H _F-verdi som er høyere for TP ROI enn for FP ROI, og verdien av FD er lavere. Imidlertid er node lavere verdi for TP ROI enn for FP ROI, noe som står i motsetning til de forventede forskjellene, på grunn av tilstedeværelsen av overlappende strukturer i sistnevnte. Generelt kan vi forvente noen av funksjonene til å følge de forventede trender og bistå i klassifiseringen av Rois selv om andre funksjoner klarer å demonstrere forventet atferd.

For å evaluere resultatene av funksjonene, Vi bruker området under mottaker opererer karakteristiske (ROC) kurven (AUC) ^51,52 og fritt respons ROC (Froc) analyse ^53-55. For ROC og Froc analyse med en individuell funksjon, bruker vi ikke en trent klassifikator, i stedet bruker vi en glidende terskel. De tre individuelle trekk ved node, FD, og H _F gitt AUC-verdier på 0,61, 0,59 og 0,64, henholdsvis, noe som indikerer god potensial, men ikke tilstrekkelig ytelse i mønster klassifisering. P-verdiene av de samme funksjonene er 1.7638e-009, 1.8793e-004, og 2.2615e-013, som indikerer statistisk signifikante forskjeller mellom deres verdier for settene av automatisk oppdaget TP og FP ROIs.

Når et stort antall funksjoner benyttes til å representere prøver for klassifisering, er det nødvendig å velge et optimalt delsett av funksjoner, slik som å fjerne korrelerte egenskaper og redusere kompleksiteten til sorteringsapparatet ^{20 til 22,} flere procedtiltak, som for eksempel trinnvis logistisk regresjon ^56, kan benyttes for dette formål. I dette arbeidet, fordi vi bruker bare tre funksjoner per ROI, vi trenger ikke utføre funksjonen utvalg.

For å utføre validering av trenet klassifikator, bruker vi mønsterklassifiserings prosedyrer med permisjonen-ett-pasient-out tilnærming. Vi utelukker alle de ROIs utvunnet fra mammografi av pasienten som skal testes fra treningsprosedyre for klassifikator, og deretter bruke klassifisereren slik erholdt til test. Vi gjentar så prosedyren for hele datasettet, en kasse eller pasient på en gang.

For ROC analyse med settet med tre funksjoner, bruker vi en klassifikator som utfører kvadratisk diskriminerende analyse med bayesiansk antakelsen ^57. For å generere Froc kurver, anser vi den TP ROI med høyest discriminant verdi i de to mammografibilder tilgjengelig for pasienten, unntatt i seks tilfeller hvor bare enbildet er tilgjengelig per tilfelle.

Representative Results

De tre funksjoner, nemlig node verdi, FD, og _H-F, forutsatt AUC-verdier av 0,61, 0,59 og 0,64, henholdsvis, når hver egenskap ble brukt alene. Kombinert bruk av de tre funksjonene gitt forbedret ytelse med AUC = 0,70. Den Froc kurve oppnådd med kombinasjonen av de tre funksjoner er vist i figur 11, som indikerer en sensitivitet på 80% ved 5,6 fps / pasient og 89% ved 7,5 fps / pasient. Bruk av kun node verdi ga en sensitivitet på 80% ved 8,1 fps / pasient og 89% ved 13,8 fps / pasient.

Reduksjonen av fps i det endelige resultat er illustrert i figur 12.. For eksemplets skyld, er bare seks ROIs med den høyeste rangeringen vist. Tallene utenfor parentes viser rangeringen basert på diskriminantfunksjoner verdier innhentet av Bayesiansk klassifikator, tallene i parentes tilsvarer den tidligere rangeringen basert på kartet noden. Sammenligning Trong> Figur 12 med den innledende fasen av påvisning av mistenke ROIs som er vist i figur 7, er det klart at funksjoner som brukes til å karakterisere arkitektonisk forvrengning har ført til en betydelig reduksjon av fps, sammenlignet med den innledende fasen av node-analyse, og samtidig opprettholde god følsomhet for deteksjon. Dette er en sak hvor tre av de høyt rangert Rois har overlappet med den mistenkelige området av arkitektonisk forvrengning preget av radiologen, og representerer et tilfelle av vellykket påvisning av vår prosedyre.

I en klinisk anvendelse, må antallet ROIs som skal vises i det endelige resultat bli bestemt avhengig av den ønskede følsomhet og antall fps som ville bli tolerert, i tillegg til innstillingen av de røntgenleger.

oad/50341/50341fig1.jpg "/>
Figur 1. (A) En tidligere mammogram av størrelse 1377 x 850 bildepunkter ved 200 mikrometer / pikslers oppløsning, (A) tilhørende deteksjons mammogram av størrelse 1374 x 850 piksler på 200 mikrometer / pikslers oppløsning, (C) forstørret regionen arkitektonisk forvrengning i bildet vist i del (A), med størrelse 39,2 mm x 21,8 mm, (D) forstørrede område av arkitektoniske forvrengning i bildet vist i del (B), av størrelsen av størrelse 40,8 mm x 26,8 mm. Den tidligere mammografi ble tatt 24 måneder før påvisning mammografi. Dette er et tilfelle av skjermen oppdages brystkreft. Klikk her for å se større figur.

41fig2highres.jpg "/>
Figur 2. (A) En tidligere mammogram av størrelse 1377 x 850 piksler på 200 mikrometer / pikslers oppløsning;. (B) tilsvarende bilde etter preprosessering for omtrentlig segmentering av bryst regionen Klikk her for å se større figur.

Figur 3. (A) Test bilde av et anlegg med flere orienterte deler, av størrelse 646 x 668 piksler, (B) Fourier magnitude spektrum av bildet som viser energien konsentrert ved flere vinkler, (C) Gabor magnitude response, og (D) Gabor vinkel respons . 180 Gabor filter ble brukt over området -90 ° til +90 °, med Τ > = 8 piksler og l = 8. Klikk her for å se større figur.

Figur 4. (A) Gabor størrelsen og (B) vinkel responser for mammogram med arkitektonisk forvrengning vist i figur 2B, av størrelse 1377 x 850 piksler ved 200 mikrometer per piksel. 180 Gabor filter ble brukt over området -90 ° til +90 °, med Τ = 4 piksler og l = 8. Rektangelet (rød eller grønn) viser området av arkitektonisk forvrengning preget av radiologen, størrelse 47,6 mm x 29,9 mm. (C), (D) Forstørret utsikt over regionen arkitektoniske forvrengning.es/ftp_upload/50341/50341fig4highres.jpg "target =" _blank "> Klikk her for å se større figur.

Figur 5 NMS teknikk:. Langstrakt rektangel (i grått) betegner tilstedeværelsen av en CLS. Rutene betegne punkter langs en retning vinkelrett på retningen til de CLS. Den sentrale grønn firkant indikerer en kjerne CLS piksel.

Figur 6. NMS og CLS valgresultater kledde på hele mammografibildet i figur 2A. (A) NMS resultater. (B) CLS utvalgresultater. De merkede i hvitt tilsvarer CLS piksler som er beholdt for videre analyse piksler. (C) NMS resultater og (D) CLS utval får forstørrede visninger for ROI merket i figur 4A. Klikk her for å se større figur.

Figur 7. (A) Node kart, og (b) ROIs detektert for mammogram vist i figur 2B. Den mammografisk bildet er av størrelse 1377 x 850 piksler på 200 mikrometer per piksel. Størrelsen på området arkitektonisk forvrengning (rødt rektangel) preget av radiologen er 47,6 mm x 29,9 mm. Hver ROI er av størrelse 128 x 128 piksler, unntatt på kantene av imalder. Klikk her for å se større figur.

Figur 8 Eksempler på (A) -. (C) tre TP ROIs og (D) - (F) tre FP ROIs. Hver ROI er av størrelse 128 x 128 piksler. De tilsvarende nodeverdier vises. Klikk her for å se større figur.

Figur 9. (A) En 128 x 128 pixel TP ROI med arkitektoniske dis tortion; pikselstørrelse = 200 mikrometer. Node verdi = 0,0299. (B) 2D Fourier log-power spektrum S (u, v) oppnådd etter påføring av von Hann vinduet og null polstring avkastningen til 256 x 256 piksler. (C) Strøm spektrum i (f, Ν) plass. Den horisontale akse svarer til vinkelen Ν fra 0 ° til 179 °, og den vertikale aksen tilsvarer radial frekvens fra 0,02 mm ^-1 til 2,5 mm ^-1. Den øverste venstre hjørne piksel tilsvarer frekvens på 0,02 mm ^-1 og vinkel på 0 °. En svart ramme har blitt brukt til spekteret. (D) Vinkel spredning av makt, S (Ν). Entropy HF = 7,2224. (E) Den 1D effektspekter S (f) plottet på en log-log skala som en funksjon av radial frekvens f. Den lineære passform er også vist (rød linje), som resulterte i FD = 2,3037 for TP ROI.arget = "_blank"> Klikk her for å se større figur.

Figur 10. (A) En 128 x 128 piksler FP ROI, pikselstørrelse = 200 mikrometer. ROI forårsaket en FP node på grunn av overlapp og / eller kryssende normale strukturer. Node verdi = 0,0349. (B) 2D Fourier log-power spektrum S (u, v) oppnådd etter påføring av von Hann vinduet og null polstring avkastningen til 256 x 256 piksler. (C) Strøm spektrum i (f, Ν) plass. Den horisontale akse svarer til vinkelen Ν fra 0 ° til 179 °, og den vertikale aksen tilsvarer radial frekvens fra 0,02 mm ^-1 til 2,50 mm ^-1. Den øverste venstre hjørne piksel tilsvarer frekvens på 0,02 mm ^-1 og vinkel på 0 °. En bl ack ramme har blitt brukt til spekteret. (D) Vinkel spredning av makt, S (Ν). Entropy HF = 6,9444. (E) Den 1D effektspekter S (f) plottet på en log-log skala som en funksjon av radial frekvens f. Den lineære passform er også vist (rød linje), som resulterte i FD = 2,5223 for FP ROI. Klikk her for å se større figur .

Figur 11. Froc kurve som viser påvisning ytelse av de foreslåtte funksjonene.

oad/50341/50341fig12highres.jpg "/>
Figur 12. Sluttning av ROIs for den opprinnelige mammogram vist i figur 2.. De mistenkelige ROIs oppdages på et tidligere stadium av behandlingen er vist i Figur 7. Rektanglene skissert i grønt representerer TP Rois i den siste fasen av analysen, de resterende rektanglene skissert i gult representerer FPS eller falske alarmer. Rektangelet i rødt angir området av arkitektonisk forvrengning preget av radiolog for denne studien; denne informasjonen ble ikke brukt i permisjon-ett-pasient-out prosedyre brukes på denne saken, og vil ikke være tilgjengelig i en potensiell anvendelse av foreslåtte metoder.

Discussion

Vi har presentert en rekke sofistikerte teknikker for digital bildebehandling og mønstergjenkjenning, også kjent som maskinlæring og CAD, for påvisning av arkitektoniske forvrengning i tidligere mammografi av intervall-krefttilfeller. Metodene er basert på analyse av de orienterte teksturmønstre som er tilstede i mammografi bilder. Våre metoder, inkludert flere flere funksjoner foreslått i våre relaterte arbeider, er i stand til å oppdage tidlige tegn på brystkreft 15 måneder i forkant av tidspunktet for klinisk diagnose, på gjennomsnittet, med en sensitivitet på 80% på mindre enn 4 fps / pasient ^{22 , 58..}

I en potensiell klinisk anvendelse, bør de Rois merket av våre prosedyrer sees som ber om forsiktig inspeksjon av de tilsvarende områder av mammografi ved radiolog. Den endelige beslutningen om tilstedeværelse eller fravær av brystkreft er å gjøres av radiolog, som kan be om ytterligere bildebehandling prosedyrer ellerkliniske tester for å verifisere eller bekrefte mistanken ved mammografi og CAD.

Selv om våre metoder har gitt spennende resultater i denne retrospektive studien, er de ennå ikke klar for klinisk bruk. Metodene tar ca 6 min per bilde på en Dell Precision PWS 490 arbeidsstasjon med Quad Intel Xeon-prosessorer opererer på 3,0 GHz, med 12 GB RAM, beregningsorientert krav må reduseres ved optimal gjennomføring av datakode. Resultatene er sammenlignbar med eller litt bedre enn det som er rapportert i studier på arkitektonisk forvrengning med kommersielt tilgjengelige CAD-systemer ^18,59,60, med den forskjell at dette arbeidet er basert på tidligere mammografi. Antallet fps må reduseres til omtrent en per pasient med en tilhørende følsomhet på minst 80%.

Begrensninger eksisterer i vårt arbeid i forhold til hvilke typer arkitektonisk forvrengning oppdaget av modellene som brukes. Fremgangsmåten må være tested med større datasett. Parametrene som benyttes i fremgangsmåtene, som er blitt empirisk bestemt i det foreliggende arbeid, må optimaliseres i forhold til egenskapene til de mammografi i et gitt datasett som skal analyseres. Vi forventer at våre prosedyrer for å føre til bedre resultater med direkte digitale mammografi og bryst tomosynthesis bilder enn de som oppnås med skannede skjerm-film bilder som i dette arbeidet.

Konklusjon

Våre metoder lovende i deteksjon av arkitektoniske forvrengning og brystkreft på et tidlig stadium. Videre arbeid er nødvendig for å oppnå påvisning av arkitektoniske forvrengning med høy følsomhet og lave FP priser.