Summary
我们展示的结构扭曲的前乳房X线照片检测方法。面向结构采用Gabor滤波器和相图来检测辐射组织模式的网站进行分析。每个网站的特点和分类使用的措施表示spiculating模式。该方法应有助于乳腺癌的检测。
Abstract
我们展示的结构扭曲的间隔癌症病例的基础上，乳腺组织模式在乳房X线照片的取向分析前乳房X线照片检测方法。我们推测，结构扭曲修改的乳腺组织模式在X线影像的正常方向群众或肿瘤形成之前。在我们的方法的初始步骤中，导向结构在给定的乳房X光检查正在使用的Gabor滤波器和相图分析，以检测辐射或交叉组织模式的节点类网站。然后每个检测到的网站的特点是使用节点值，分形维数和度量角色散的专门用来表示与结构扭曲相关spiculating模式。
我们的方法进行了测试用的56区间的癌症病例使用的开发功能106前乳房X线照片和52 13乳房X光检查正常情况下的数据库表征结构扭曲， 通过二次判别分析模式分类，并验证与留一病人出程序。根据自由反应受试者工作特征分析的结果，我们的方法已经证明，检测结构扭曲在乳房X线照片前的能力，在关于乳腺癌的临床诊断前服用15个月（平均），用80％的敏感性每名患者5误报。
Introduction
乳腺癌是影响妇女的一大疾病，是女性1,2癌症相关死亡的第二大原因。为了改善生存的机会和受影响的患者中，通过有效的治疗在乳腺癌的早期阶段的预后，疾病需要尽可能早地检测到。在乳腺癌病例的回顾性分析，异常微妙的迹象已发现在先前获得的乳房X光检查3,4。结构扭曲为乳腺癌的可能的早期阶段，这样的一个局部的乳房X线标志，难以检测5,6。关联的图案依稀描述为与没有明确的质量可见乳房的正常结构的畸变。结构扭曲可能出现在乳房肿块或肿瘤的形成的初始阶段。我们猜测，乳房X光检查前乳腺癌c中的检测获得乌尔德包含的乳腺癌的早期阶段细微的迹象，特别是建筑的失真。
图1a示出的屏幕检测癌症的情况下的现有的X线图像。异常确定由放射科医生（JELD）的区域中都列出了一个红色的矩形。在乳房X光检查前摄于图1b所示的检测乳房X光检查24个月前。在乳房X光检查之前已经被宣布为无癌症的迹象在筛选的原始实例。在回顾性分析，并与所述检测乳房X线照片，涉及到的检测到癌症部位可疑区域相比被标记由放射科医生，并以红色概述了现有乳房X线照片。可疑区域包含结构扭曲的迹象，包括骨针。
计算机辅助诊断（CAD）技术和系统提供的潜力，在Brea的实现检测的敏感性增加ST癌症2,7〜9。然而，在与存在于对乳腺癌的其他体征，如群众和钙化的检测文献的出版物的数量的比较，只有少量的研究已经报道了结构扭曲的检测中没有一个中央大规模10-17。商业上可用的CAD系统已经被发现在结构扭曲18的检测表现不佳。研究结构扭曲的屏幕检测或间隔癌症病例3,4,19-22可以帮助开发对乳腺疾病的检测和治疗策略在早期阶段，并导致改善的前乳房X线照片检测预后的病人23。
对于实验制备的图片
实验用158 X线影像，包括56个人106前乳房X线照片进行诊断乳腺癌患者和13例正常个体52的图像。从交合卫生研究伦理委员会，医学伦理办公室，卡尔加里大学和卡尔加里地区卫生局获得伦理委员会批准为研究对象。这些图像是从屏幕测试获得：阿尔伯塔程序的早期检测乳腺癌21,24,25。
在过去的预定访问筛查方案的癌症筛查计划外的诊断之前收购的乳房X线照片被打成区间癌症病例的乳房X线照片前。相应的诊断乳房X光摄影是不允许的。除了两个106前乳房X线照片已被宣布为无患乳腺癌的迹象在他们的采集和分析的筛查方案的时候，对应的另外两个乳房X线照片的人已转交活检。癌症的诊断和前乳房X线照片之间的时间间隔范围从1.5个月s到24.5个月，平均15个月和7个月的标准偏差。所有区间的癌症病例数据库中可用的乳房X线照片前已经包含在本研究中，除了其中没有可疑的地方可确定六幅图像。
屏幕膜乳房X线照片进行数字化，在50微米和每像素12位使用Lumiscan 85激光扫描器（Lumisys，桑尼维尔，CA）的灰度分辨率的空间分辨率。专家放射科医生专门从事乳腺X线摄影（JELD）审阅所有间隔癌症病例106前乳房X线照片，并标明结构扭曲的可疑区域与矩形框的基础上对后续成像或活检可用的报告，或者通过乳房X线照片的详细检查。在106之前，X线影像在本研究中所使用的数据集，38图像有明显的结构扭曲，其余68图像包含可疑或不明确EVIDENT结构扭曲。每个乳房X光检查之前包含结构扭曲的一个站点所确定的矩形框由放射科医生得出。的平均宽度，高度，和标记的放射图像的106份可疑的区域56毫米，39毫米，和2274毫米2，用11.8毫米分别标准偏差为11.6毫米，并1073.9毫米2。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1。方法概述
在我们的程序中，乳房X光摄影结构扭曲的潜力点会自动通过定向纹理图案分析的Gabor银行的应用检测过滤器26和相位建模人像11,27。所检测的位点，然后通过提取的特征或措施的步骤进行处理来表征结构扭曲，一个训练的分类器的发展，并应用一种算法，用于模式识别或分类。该过程总结为以下步骤11,20,21：
- 段中使用自适应阈值和形态学开给定的X线图像的乳腺部分。
- 适用于一组180的Gabor带角度间隔均匀地分布在范围-90°至90°，得到的Gabor幅值图像中，M（I，J）和角度的Gabor图像，θ过滤（I，J）中，在每个像素中的最高反应中，（i，j）的选择滤波器的响应和角度。
- 选择曲线形结构的利息（CLSS），如骨针和fibroglandular组织，通过从混杂结构，例如胸肌，实质组织，乳腺边界和噪声的边缘区分它们，通过使用方向场中，梯度场在非最大抑制（NMS）的技术，并附加条件11。
- 为7个像素的标准偏差和下采样由四个因素，以降低噪声，并进一步计算要求11,20过滤方向场与高斯滤波器。
- 应用线性相位画像造型，具有大小为10×10像素，800微米/像素的滑动分析窗口，每个步骤的一个像素，以经滤波的方向场，与特定条件来选择与特定类型的相位肖像图节点patteRNS 11,20。
- 投票，如果某些条件得到满足时，在由所述固定点的分析窗口的每个位置，形成节点图中给出的位置。
- 过滤该节点的地图的大小35 X 35像素的高斯窗，具有6像素（4.8 mm）本凭经验确定的标准偏差，以巩固票在靠近彼此。
- 节点图按职级排序的节点图的峰分析。
- 利息（投资回报）剪切区域大小128 x 128像素，除了在边缘，从原始图像，与位于相关峰的节点图的中心每个ROI的中心。在该图像被处理的边缘，创建的感兴趣区，以包括尽可能多的在指定的窗口的图像数据为可用的。
- 派生的功能或措施来表征相关的结构扭曲的spiculating图案和它们能够满足一些初始条件的正常组织的模式中分离出来。 <LI>制定一个训练的分类网站与结构扭曲的特性和那些正常组织模式采用的ROI分类由放射科医生的训练集区分。
- 应用该训练的分类器的一组测试案例，并验证与诊断由放射科医生提供与基于切片的结果。
步骤1-9上面列出会自动应用到一个给定的X线影像。上面列出的过程的选定步骤的描述和示出在下面的章节。
2。钼靶X线图像的预处理
预处理阶段包括以下步骤：
- 使用高斯滤波器过滤给定的X线图像，并以2个像素和在50微米/像素的分辨率13×13像素和12位/像素大小的标准偏差，并下采样至200微米/像素和8位/像素的分辨率。
- 反映如果是右侧乳房的形象。
- 段中使用Otsu的自适应阈值法和形态学开口与半径的圆盘形结构元素25个像素（5毫米200微米/像素）21,28,29的乳腺摄影图像的乳房区域。
- 检测近似乳房边界10,21。
图2A示出一个原始前乳房X线照片。同一图中的图2B示出在乳房部，其用于在处理和分析的后续步骤的近似分割的结果。
3。导向花纹使用的Gabor滤波器提取
面向在-90°真正的Gabor滤波器的函数中指定我们作为10,30的工作：
其中＆＃963; x和σy分别是沿x和y方向上的标准偏差值，并且ƒo是调制的正弦波的频率。过滤器在其它角度是通过使用坐标变换为旋转这个功能获得：
其中，（X'，Y'）是一组以角度α旋转坐标。
在等式1中，用于过滤乳房X线照片的参数是我们工作中考虑到乳房组织的模式被检测到的平均粒径，如下10：
- 让Τ是全宽度半最大值的高斯项在等式1中沿x轴的。
- 让Τ= 4个像素中，对应于厚度为00.8毫米在200微米的像素尺寸。
- 计算
。 - 让余弦期内是Τ，然后，f O = 1 /Τ。
- 让σ的值y被定义为σY =Lσx，其中L确定Gabor滤波器的在y方向上的伸长率相比，过滤器的在x方向上的宽度。乳房X线照片在200微米/像素，使用L = 8的分析。
。 180真正的Gabor银行滤波器均匀间隔超过范围-90°到+90°用在我们的方法为导向的模式在乳房X线照片10，21的检测。对于每个给定的图像，的Gabor幅值图像中，M（I，J），和一个角度的Gabor图像，θ（I，J），使用的是日的响应和角度获得ëGabor滤波器与在每个像素中的最高响应中，（i，j）的 。
Gabor滤波器具有在频率平面（零频率）的原点非零幅度响应。因为低频分量是不相关的结构扭曲的存在下，理想的是减少在方向场大小的乳腺摄影图像的低频分量的效果。因此，X线图像的高通滤波的方向场的提取之前。这是通过计算原始图像和相同的图像的低通滤波版本之间的差别来实现。在这个步骤中使用的低通滤波器是高斯滤波器的标准偏差等于σŸ定义如上。
虽然人们可以节省过滤的图像为每个感兴趣的角度，在目前的工作中，用在每个像素对所有的过滤器（角度）的最大响应储存在一个单一的图像，被称为的Gabor幅度响应; Gabor滤波器的相应的角度被保存在另一图像中的每个像素中，被称为角的Gabor响应。总之，这两个输出的图像提供给定的图像的方向场。
图3A示出的植物。 图3B示出了图像，描绘了能量的浓度在不同的角度的傅立叶光谱的测试图像。具有相同取向的图象的所有部分，而不论其位置和大小，有他们的频率分量（频谱能量）位于角频带或扇区的位置在90℃相对于它们在图像中的方向。过滤该图像的Gabor的结果筛选与Τ= 8个像素，L = 8示于图3C和D，这是明显的是，Gabor滤波器所提取的植物部分定向在不同的角度与高磁数量级的响应和角度响应同意的主要特征存在于对应像素的方向。通过利用Gabor的银行滤波器定向于几个角度在-90°〜90°，我们已提取的所有存在于每个像素中的图像和其角度的导向元件。显而易见的是，的Gabor滤波器的响应几乎是零的平稳区域具有相同的强度水平和无结构具有择优取向，如锅的部件和壁。
图4示出与图2B所示的结构扭曲的乳腺X线照片中得到的的Gabor幅度和角度的响应。显而易见的是，在Gabor滤波器所提取的导向元件具有高的响应以及相应的角度。它也被认为的Gabor滤波器的响应是低平滑区域几乎恒定的密度和无结构，优选的取向化。经仔细检查，但也可观察到的Gabor滤波器的响应取决于取向结构的相对于它的背景，而不是只在它的密度或亮度的对比度。这些结果是由于Gabor滤波器的带通特性。
4。选择曲线结构
乳房X线照片包含对应于管道，容器，韧带，实质组织和胸肌的边缘很多连续供墨。在乳房X线照片的一些异常可以被特征在于某些类型的CLS，如spiculated群众12,31,32和结构扭曲10,11,33，的存在下，或由导向纹理在乳房图像34的非对称结构。另一方面，某些类型的病变，如外切群众，可以由几个CLSS叠加在病变在投影乳腺摄影图像模糊;这种病变的出现可能是中高音那些ered并可能导致假阴性的检测或误诊。在连续供墨目前在乳房X线照片的分析，可以提高算法的性能进行spiculated群众和结构扭曲的检测，所建议的Zwiggelaar 等 35。因此，连续供墨的识别是在结构扭曲检测的重要一步。
虽然在目前的工作中使用的Gabor滤波器组是线性结构，如针和纤维敏感，它也检测其它强边缘，如胸肌的边缘时，实质组织的边缘，血管壁，如取向结构。围绕fibroglandular磁盘36强边缘可能在被称为焦距回缩结构扭曲37的一种特定形式的检测中使用。然而，在本工作中，重要的是只有CLSS关联到fibroglandular组织被确定为导向的功能。
- 段在第2节中描述的乳房部位在给定的乳房X光检查。
- 通过应用网管技术35,38到了Gabor幅度响应图像中检测核心CLS像素。
- 拒绝连续供墨像素的网站具有强烈的梯度33。
在NMS算法识别核心CLS的像素由与它的邻居沿垂直于局部取向的视场角的方向上的幅度响应图像比较每个像素， 见图5。如果所研究的像素具有比相应的邻居较大的幅度值，该像素是核心CLS像素。 NMS是在许多边缘检测器（例如Canny边缘检测器39）的共同步骤。 Zwiggelaar 等人 35使用的网管进行CLS的像素作为在此描述的相同的方式检测一节。
一个强梯度的存在可能会导致纹波的Gabor幅度响应，从而导致错误的检测CLS的。用的强梯度的存在相关联的核心CLS的象素由在检测spiculated病变的上下文中提出的Karssemeijer和特制动器12的标准拒绝。使用高斯的一阶导数为5个像素（1毫米）的标准偏差，得到的X线图像的梯度。对于每个核心CLS像素，则梯度方向是相对于取向磁场的方向。如果取向磁场的方向和垂直于该梯度的方向之间的差小于30℃时，相应的芯CLS的象素被丢弃。
该fibroglandular磁盘内的CLSS通常具有相比于fibroglandular磁盘以外的CLSS降低对比度。因此，在FIB中的CLSSroglandular盘比外盘连续供墨较小的Gabor幅度响应值。以相同的权重分配给所有的CLS像素独立的位置，并确保相关CLSS对比度低，如fibroglandular磁盘内的骨针的检测，幅度磁场M（I，J）被替换为进一步处理由一个唯一的核心CLS的像素组成的图像，M CLS（I，J），定义如下：
该图像M CLS（I，J）传达CLSS上的存在的重要信息。 图6显示的CLS选择一个完整的乳房X光检查和投资回报率的结果。因为建筑的失真的存在被指示由相关的CLSS的几何排列，而不是它们的密度或强度，马尼所检测的CLSS突地是比定向结构的空间布局重要性较低。
5。 通过相图的分析检测和可疑网站标签
Rao和耆那教的40开发了一种面向纹理图像由相应的梯度方向场与相图的外观关联分析。两个线性系统，一阶微分方程的相图显示了状态变量27的可能轨迹。
设p（t）和Q（T），T 
R，代表时间 t 2可微函数，如相关
在这里，p•（t）的和q•（t）分别是相对于时间的一阶导数，和F，G是p和 q 10的功能。给定的初始条件P（0）和q（0），将溶液[P（T）中，q（t）的 ]，可以表示在一个轨道参数的形式，或者简化在（P，Q一个假设的粒子的）平面。的粒子被放置在[P（0），Q（0）]在时间 t = 0时，通过与该速度[对•（t）的和q•（吨 ）]的（P，Q）平面上移动。第（p，q）的平面被称为系统的相位平面上。 A相肖像是在相平面粒子的可能轨迹的曲线图。的固定点在相位平面中p•一个点（
这里，A是一个2×2矩阵，b是一个2×1列的矩阵。相图的中心（P 0，Q 0）由定点给出
如果we函数P（t）和Q（吨 ）with的的形像processed该平面的x和y坐标关联，请将corresponding orientation field is
res.jpg“宽度=”500“/>
这里，Φ（xy）的是速度矢量[对•（吨 ） 中，q•（吨 ）]相对于x轴以（X，Y）=的角度[P（T），Q（t）的 ] 。我们Φ（xy）内的角度的Gabor响应θ（I，J）相关联，并定义误差函数被最小化，因为
其中，[A，B]和[C，D]是两排A的 。最后期限为从那些与spiculated节点模式矩阵 A配置较高的代价（成本）的偏差。上面给出的方程式表示的离散网格而不是连续的空间（X，Y）（I，J）Φ（xy）的 。估算a和 b，最大限度地减少ε2的阿泰（A，B）通过下列步骤得到：
- 获得A的初始估计和B之间通过ε2的最小化（A，B），使用模拟退火法41。
- 通过使用非线性最小二乘算法42炼初步估计得到最优估计。
在上述模型中，有相图的三种类型：节点，鞍，和螺旋。相图的类型由 10,27,30,40的特征值来确定。有纹理的图像的方向场可以通过确定相图是最相似的方向场的类型进行描述。由于螺旋图案的分析不感兴趣乳房X线照片，我们约束矩阵A是对称的，结果只有两种类型的相图：节点和马鞍。
因为一些骨针以各种角度即得到叠加在投影乳腺摄影图像的预期存在的，我们假设结构扭曲的部位会出现节点状特性。然而，正常组织，管道，容器以及其他定向结构在乳房也可以得到预计的和被叠加，以形成模仿结构扭曲的乳房X线照片的外观的图案。因此，我们分析了节点地图可疑网站或结构扭曲的潜在位点的检测，并通过进一步的步骤特征提取和模式分类的分析检测站点。
因为乳房X光检查可以表现出几种模式，我们应用的大小为10×10像素的滑动窗口分析，在800微米/像素，与邻每步NE像素。为窗口的每个位置，表决是投在地图中，被称为节点的地图，在由相应的固定点定的位置时，如果所有的应用的条件得到满足。相关的矩阵 A与它的条件数大于3.0的结果被拒绝忽略不期望与结构扭曲11相关的模式。此外，附加条件是强加的固定点和对应的分析窗口的位置之间的距离：如果该距离小于3个像素（2.4毫米）或大于20像素（16mm）的，其结果为当前分析窗口将被拒绝。表决的幅度被设定为合适的ε2的措施的比值（A，B），式（7）所定义，A的条件数，以强调相图的各向同性。节点图，然后进行分析，以检测禄人极大值或预期，表明结构扭曲的站点峰。但是，该过程也导致了许多由于叠加的正常结构，假阳性（FP）位点的检测。
在节点图的各峰中，我们自动提取的ROI，尺寸128×128像素，除了在图像的边缘，从在200微米/像素的乳腺摄影图像。我们标记的ROI在节点图的峰指示的位置，以递减顺序的峰值，最多每乳房X线照片30的ROI。
当乳房X线照片用已知的诊断被用来训练我们的程序，自动检测感兴趣区具有确定的放射结构扭曲的部分在其中心被标记为真阳性（TP）的感兴趣区，其余的被标记为FP的ROI为在使用中在训练过程。当一个乳房X光检查正在使用的训练过程进行分析，所有的投资回报率的检测s以上都没有任何标记处理进行分类。
图7示出了节点的地图和检测到在图2B所示的乳腺X线照片中的ROI。红色矩形表示标志着由放射科医生的可疑区域。
图8示出了若干TP和FP的ROI从几个乳房X线照片自动提取。大部分的TP ROI的有几个骨针和传播在很宽的角度范围内导向花纹。在FP的ROI，另一方面，具有面向过较窄的角度范围内的正常组织结构的一个较小的数;无论，由于其在投影乳腺摄影图像的叠加，它们模仿结构扭曲的节点状特性。
我们的策略是检测可疑区域具有高效率或灵敏度在最初阶段（与相应的低假阴性），即使伴随的数的的FPS大。在投资回报分析的下一步是旨在帮助通过检测的ROI的高效特性和分类 减少的FP。
6。结构扭曲的表征
一个自动检测到的ROI，包括结构扭曲，集中在相关节点图的峰值，很可能拥有分散在不同的角度几种骨针。我们期望这种特性导致的能量在傅立叶域中的图像域和频谱能量广阔的角度扩散。在我们以前的工作中，我们已经表明，这样的角分散体可有效地在一玫瑰图，这是一个角直方图21,22的形式来表示。我们的正常化玫瑰花图有单位面积，把它当作一个概率密度函数（PDF）。然后，我们描述了每一个PDF使用熵的投资回报率，这是紊乱或散射的统计量度。
ontent“>组织格局与区域结构扭曲的增加散射修改正常乳腺组织的分形性质，分形的常用模型是基于自相似图案43-46多尺度嵌套模式。分形行为的另一种模式是分数布朗运动（FBM），是关系到在频域中的频谱的比例（1 / F），其中，功率减小^β，其中 f是频率和β是已知的作为分光元件47,48的碎形布朗运动模型导致的分形图像类似于随机多云模式;可比图案经常出现在乳房X线照片为了这个模型应用于图像，需要在二维（2D）傅立叶图像的光谱转换为一维（1D）的功能。我们已经开发了一个集成的方法来表征角度扩展，并推导出分形梦诗的估计通过映射的图像的二维傅立叶频谱中直角坐标，用S表示的图像的离子（FD）（U，V），对在极坐标系，记为S（℃，Ν）的频谱。该过程描述如下步骤21：
- 套用冯Hann窗给每个自动提取128×128的投资回报率和焊盘的结果用零的大小为256×256像素的阵列。
- 计算的二维傅立叶变换的软垫ROI和每个生成的复杂值的幅度来获得的功率谱（U，V）中，将ROI，S的估计值。
- 识别在后续步骤中的频谱中排除选定的低频和高频部分。
- 地图的二维功率谱S（U，V）从笛卡尔（直角）坐标（u，v）进行极坐标（ƒ，Ν）获得S（℃，Ν），通过重采样和计算的加权平均四个邻居电子商务ACH点为径向距离 f从零到二分之一的采样频率，并通过角度Ν= [0，179°]的范围内。
- 变换的二维频谱S（℃，Ν）为一维函数S（℃），通过为f从以上的范围内的零频点在Ν= [0，179°]中的径向距离或频率的函数的积分角。
- 应用线性回归到1D谱S（℃）的对数-对数标度的有限的频率范围内，但不包括在选定的低频和高频区域的点，并且获得的拟合线，它是一个估计的斜率β在富时大马模型的频谱分量。
- 计算的估计值的FD作为15,49,50 FD =（8 - β）/ 2。
- 变换的二维频谱S（ƒ，Ν）为一维函数S（Ν），以作为角度Ν的功能整合区间[0，179°]，来自径向距离ƒ零频点= [1，128]像素。
- 正常化S（Ν）具有单元总和，并计算结果的熵作为
。
。 上面描述的几何变换导致的周期性或spiculated纹理9的光谱特性改善的表示和可视化。选定的低和高频率的区域需要被排除，除去与图像的整体外观和存在于图像中的大的结构，以及防止高频的影响的低频成分的影响噪声。在本工作中，频率的频带被排除β和FD的估计（ 即非线性的部分）中使用的是已知的FD合成图像的基础上选定的试验，并且还使用乳房X线照片的ROI的数量。的ƒ用于拟合线性模型的范围对应于[06 96]个像素或[0.117，1.875]毫米-1，其中的[1，128]个像素的范围对应的频率范围[0，2.5的离散表示】毫米-1。
图9和图10示出了用于分形分析和功率在频域中的角扩展到TP ROI和FP的投资回报率，分别的估计的不同步骤。 图9D表示的多向spiculating型态为TP的ROI的存在，而在图10D，功率的扩展仅限于少数的角度乐队对FP的投资回报率。
7。模式分类和验证
我们现在有三个措施或功能每个ROI自动检测：[节点值，H 楼 FD]，如第6条所述。我们使用这些功能，我ndividually和集体，表征与结构扭曲的spiculating模式，并从检测到的FP的ROI区分目标价的投资回报。
在图9所示的TP ROI，通过来自三个措施组成的特征矢量是[0.0299，7.2224，2.3037]。对于图10所示的是FP的ROI时，相应的特征矢量是[0.0349，6.9444，2.5223]。正如所料，25 H 24 F值较高为TP的ROI比对的FP的ROI，和FD的值是较低的。然而，该节点的值是较低的目标价的投资回报率比对FP的投资回报率，这是违背预期的差异，由于重叠结构在后者的存在。一般情况下，我们可能会想到一些功能来按照预期的趋势和协助投资回报的分类，即使其他功能未能证明预期的行为。
来评价的特性的性能，我们用受试者工作特征（ROC）曲线（AUC）51,52和自由响应中华民国（FROC）分析53-55下的面积。对于中华民国与FROC与个人特征分析，我们不使用训练的分类，而是我们应用滑动阈值。节点的三个单独的功能，FD和H 24 F设置为0.61，0.59，和0.64，AUC值分别用来指示在模式分类好的潜力，但不足够的性能。相同特性的p值1.7638e-009 1.8793e-004，和2.2615e-013，这表明对于自动检测TP和FP的投资回报集合他们的价值观之间统计学上非常显著的差异。
当使用大量的功能来代表样品进行分类，有必要选择的特征的最优子集，以便除去相关特性和降低了分类器20-22的复杂性;几个proced数目字如逐步逻辑回归56，可以用于这一目的。在目前的工作，因为我们使用的是每个投资回报率只有三个功能，我们不进行特征选择。
要执行训练分类器的验证，我们应用与留一病人退出模式的模式分类方法。我们排除了所有从患者必须从分类器的训练方法进行试验的乳房X线照片中提取的感兴趣区，然后应用这样获得的测试情况下，分类器。然后，我们在同一时间重复该过程对整个数据集，一个案件或病人。
为了与组 三个特点ROC分析，我们使用一个分类器进行二次判别分析的贝叶斯假设57。要生成FROC曲线，我们认为目标价的投资回报率与提供给患者两个X线影像的判别最高值，除非在六个情况下，只有一个图像可按每情况。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
这三个特点，即，节点值，FD和H 24 F，0.61提供AUC值，0.59和0.64时，分别各功能是用于自身。结合使用的三个特点提供更好的性能与AUC = 0.70。同的三个特征的组合中得到的FROC曲线示于图11，它表示80％的5.6帧/患者和89％的7.5帧/患者的敏感性。仅使用节点值在8.1帧/病人和89％，至13.8帧/病人提供了80％的敏感性。
FP的最终结果的减少被示于图12。为说明起见，只有6具有最高排名的ROI被显示。括号外的数字表示基于由贝叶斯分类中获得的判别式值的排名，括号内的数字对应于基于节点的地图上较早的排名。比较
在临床应用中，将要显示在最终结果中的ROI的数量应根据所需的灵敏度和FP的数目将是不能容忍的，以及在放射科医师的喜好来确定。
oad/50341/50341fig1.jpg“/>
图1。尺寸（A）乳房X光检查前1,377 850倍的像素为200微米/像素的分辨率;尺寸1374 850倍的像素为200微米/像素分辨率（一）相应的检测乳房X光检查，图像中的结构扭曲（三）放大显示区域在部分（A），尺寸39.2毫米x21.8毫米，在部分（B）所示的图像中结构扭曲的（D）放大区，大小40.8毫米x26.8毫米的大小。在乳房X光检查之前拍摄的乳房X光检测24个月前。这是筛查检出乳腺癌的情况。 点击这里查看大图。
41fig2highres.jpg“/>
图2。在200微米/像素分辨率（A）之前的大小1377 850倍像素的乳房X光检查;预处理对乳房区域的近似分割后对应的图像（B） 点击此处查看大图。
图3。图像显示能量集中在几个角度（B）傅立叶幅度谱;（C）的Gabor幅度响应;和（D）的Gabor角度响应（A）测试工厂与几个导向件，尺寸646 x 668像素的图像。 180 Gabor滤波器中使用超过范围-90°〜+90°，Τ > = 8个像素，L = 8。 点击这里查看大图。
图4。 （A）的Gabor幅值的大小1377 850倍像素，每个像素200微米，与图2B所示的结构扭曲的乳房X线照片（B）的角响应。 180 Gabor滤波器被用来在范围-90°至90°，Τ= 4个像素，L = 8。矩形（红色或绿色）显示标记的放射结构扭曲的面积，尺寸为47.6毫米×29.9毫米（C），（D）的放大视图结构扭曲的区域。es/ftp_upload/50341/50341fig4highres.jpg“目标=”_blank“>点击这里查看大图。
图5中的网管技术：细长的矩形（在灰色）表示CLS的存在。正方形表示像素沿垂直于CLS的取向方向。中央的绿色方块表示一个核心CLS像素。
图6。NMS和CLS评选结果叠加在图2A全乳腺图像上（A）网管结果（B）选择CLS结果。标志着白色对应于被保留作进一步的分析CLS像素的像素。（C）NMS结果和（D）CLS评选结果在放大视图标注在图4A的投资回报率。 点击这里查看大图。
图7。 （一）节点图及（b）的ROI检测到在图2B所示的乳房X线照片。在乳腺摄影图像是大小为1377放大850倍的像素在每个像素200微米。结构扭曲的标记由放射科医师的区域（红色矩形）的大小47.6毫米×29.9毫米。每个感兴趣区域是尺寸为128×128像素，除了在即时通讯的边缘年龄。 点击这里查看大图。
图8（A）的例子- （C）3 TP的ROI和（D） - （F）3 FP的投资回报。每个投资回报率的大小为128×128像素。显示对应的节点值。 点击这里查看大图。
图9。 （A）128×128象素TP的投资回报率与建筑DIS失真;像素尺寸= 200微米。节点值= 0.0299（B）的二维傅立叶数功率谱S应用冯Hann窗和补零的投资回报为256×256像素之后（U，V）获得的（C）在（F的功率谱， Ν）的空间。水平轴对应于角度Ν从0°到179°，而垂直轴对应于径向频率从0.02毫米-1至2.5mm -1。的左上角的像素对应于0.02毫米-1和0°角频率。黑色框架已应用于光谱（D）电源的角度扩展，S（Ν）。熵HF = 7.2224（E）的一维功率谱S（F）绘制在对数标度的径向频率 f的函数。的线性拟合也显示（红线），这导致FD = 2.3037为TP的ROI。ARGET =“_blank”>点击这里查看大图。
图10。 （A）128×128像素的FP的投资回报率;像素大小为200微米。投资回报率造成的FP节点由于重叠和/或交叉的正常结构。节点值= 0.0349（B）的二维傅立叶数功率谱S应用冯Hann窗和补零的投资回报为256×256像素之后（U，V）获得的（C）在（F的功率谱， Ν）的空间。水平轴对应于角度Ν从0°到179°，而垂直轴对应于径向频率从0.02毫米-1至2.50毫米-1。的左上角的像素对应于0.02毫米-1和0°角频率。由BL ACK帧已被应用到的光谱（D）功率的角度扩展，S（Ν）。熵HF = 6.9444（E）的一维功率谱S（F）绘制在对数标度的径向频率 f的函数。线性拟合也显示（红色线），导致FD = 2.5223对FP的投资回报率。 点击这里查看大图 。
图11。FROC曲线示出了所提出的特性的检测性能。
oad/50341/50341fig12highres.jpg“/>
图12。ROI的为图2中所示的原始乳房X线照片的最终标识。在处理的早期阶段检测到的可疑的ROI被显示在图7。用绿色标出的矩形表示TP的ROI分析中的最后阶段，在黄色中列出的剩余矩形表示fps或误报。红色矩形表示标志着由放射科医生对本研究结构扭曲的区域，在应用到本案的留一病人出过程中没有使用该信息并不会提供的一个应用前景提出的方法。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
我们已经提出了一系列的数字图像处理和模式识别的复杂的技术，也被称为机器学习与CAD，对结构扭曲的间隔癌症病例前乳房X线照片检测。该方法是基于存在于乳腺摄影图像的定向纹理图案的分析。我们的方法，其中包括一些在我们的相关工作提出了更多的功能，能够在不到4帧/病人22检测乳腺癌的早期迹象15个月提前临床诊断时，平均，有80％的敏感性，58。
在一个潜在的临床应用，标记我们的程序的投资回报应被视为提示由放射科医生仔细检查乳房X线照片的相应区域。关于乳腺癌的存在与否的最终决定是由放射科医生，谁可能要求额外的成像程序或进行临床测试，以验证或确认由乳房X光检查和CAD提出怀疑。
虽然我们的方法已在本回顾性研究提供了令人振奋的结果，他们还没有准备好用于临床。该方法采用每幅最长约6分钟的戴尔Precision 490的PWS工作站四核英特尔至强处理器工作在3.0 GHz，有12 GB的RAM上，需要计算的要求，由计算机代码优化实现降低。结果是相当于或高于所报道的关于结构扭曲的研究与商用CAD系统18,59,60，与目前的工作是基于前乳房X线照片的区别略胜一筹。需要FP的数量可以减少到约1每名患者具有至少80％的相关联的灵敏度。
在我们的工作中存在的由使用的模型检测的结构扭曲的类型方面的限制。该方法需要是睾丸D与更大的数据集。在该方法中使用的参数，这些参数已经在目前的工作中已经凭经验确定，需要就在一个给定的数据集进行分析的乳房X线照片的特性进行优化。我们希望我们的程序，导致与直接数字乳房X光检查和乳房断层合成图像比那些与扫描屏 - 片图像，在目前的工作中取得更好的成绩。
结论
我们的方法表明承诺在结构扭曲和乳腺癌在早期阶段检测。进一步的工作是必须实现结构扭曲的高灵敏度和低计划生育率的检测。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者什么都没有透露。
Acknowledgments
这项工作是由来自合作研究和培训经验计划（CREATE）和发现格兰特从加拿大自然科学和工程研究理事会（NSERC）资助。
References
- Cancer among women [Internet]. , Centers for Disease Control and Prevention (CDC). Available from: http://www.cdc.gov/cancer/dcpc/data/women.htm (20011).
- 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).
- 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).
- 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).
- Homer, M. J. Mammographic Interpretation: A Practical Approach. , 2nd, McGraw-Hill. New York, NY. (1997).
- 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).
- 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).
- 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).
- Rangayyan, R. M. Biomedical Image Analysis. , CRC Press. Boca Raton, FL. (2005).
- 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).
- 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).
- Karssemeijer, N., te Brake, G. M.
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Gabor, D.
- Rao, A. R. A Taxonomy for Texture Description and Identification. , Springer-Verlag. New York, NY. (1990).
- Otsu, N. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics. 9 (1), 62-66 (1979).
- Gonzalez, R. C., Woods, R. E. Digital Image Processing. , 2nd, Prentice-Hall. Upper Saddle River, NJ. (2002).
- Ayres, F. J., Rangayyan, R. M. Design and performance analysis of oriented feature detectors. Journal of Electronic Imaging. 16 (2), (2007).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Sonka, M., Hlavac, V., Boyle, R. Image Processing, Analysis and Machine Vision. , 1st, Chapman & Hall. London, UK. (1993).
- Canny, J. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 8 (6), 679-698 (1986).
- 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).
- Kirkpatrick, S., Gelatt, C. D., Vecchi, M. P.
- Gershenfeld, N. The Nature of Mathematical Modeling. , Cambridge University Press. Cambridge, UK. (1999).
- Mandelbrot, B. B.
- Peitgen, H. -O., Jürgens, H., Saupe, D. Chaos and Fractals: New Frontiers of Science. , second, Springer. New York, NY. (2004).
- 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).
- 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).
- Bak, P., Tang, C., Wiesenfeld, K. Self-organized criticality: An explanation of 1/f noise. The American Physical Society. 59, 381-384 (1987).
- 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).
- Anguiano, E., Pancorbo, M. A., Aguilar, M. Fractal characterization by frequency analysis: I. Surfaces. Journal of Microscopy. 172, 223-232 (1993).
- Aguilar, M., Anguiano, E., Pancorbo, M. A. Fractal characterization by frequency analysis: II. A new method. Journal of Microscopy. 172, 233-238 (1993).
- Metz, C. E.
- Kurt Rossmann Laboratories for Radiologic Image Research. ROC Software [Internet]. , ROCKIT. Available from: http://www-radiology.uchicago.edu/krl/roc_soft6.htm (2012).
- Bornefalk, H., Hermansson, A. B. On the comparison of FROC curves in mammography CAD systems. Medical Physics. 32 (2), 412-417 (2005).
- 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).
- 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).
- Ramsey, F. L., Schafer, D. W. The Statistical Sleuth: A Course in Methods of Data Analysis. , Duxbury Press. Belmont, CA. (1997).
- Wiley-Interscience, , New York, NY. 2nd edition (2001).
- 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).
- 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).
- 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).
