Waiting
Login processing...

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

Medicine

Påvisning af Architectural Distortion i Prior Mammografi 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

Vi demonstrere metoder til påvisning af arkitektonisk forvrængning i tidligere mammografi. Orienterede strukturer analyseres ved hjælp Gabor filtre og fase portrætter til at opdage steder af udstrålende væv mønstre. Hver site er karakteriseret og klassificeres ved foranstaltninger til at repræsentere spiculating mønstre. Metoderne skal hjælpe i påvisning af brystkræft.

Abstract

Vi demonstrere metoder til påvisning af arkitektonisk forvrængning i tidligere mammografi af interval-kræfttilfælde er baseret på analyse af orienteringen af ​​brystvæv mønstre i mammografi. Vi hypotesen, at arkitektonisk forvrængning ændrer den normale orientering af brystvæv mønstre i mammografibilleder før dannelsen af ​​masserne eller tumorer. I de indledende trin i vores metoder er de orienterede strukturer i en given mammografi analyseret ved hjælp Gabor filtre og fase portrætter til at opdage node-lignende steder udstrålende eller skærer væv mønstre. Hver detekteret site derefter karakteriseres ved knudepunktet værdi fraktale dimension og et mål for vinkelmæssig spredning specifikt designet til at repræsentere spiculating mønstre forbundet med arkitektonisk forvrængning.

Vores metoder blev testet med en database over 106 tidligere mammografi af 56 interval-kræfttilfælde og 52 mammografi af 13 normale tilfælde ved hjælp af de funktioner, der er udviklet tilkarakterisering af arkitektonisk forvrængning, mønster klassificering via kvadratisk diskriminant analyse og validering med leave-one-patient ud procedure. Ifølge resultaterne af frit modtageenhed opererer karakteristisk analyse har vores metoder demonstreret evnen til at detektere arkitektonisk forvrængning i tidligere mammografi, taget 15 måneder (i gennemsnit) før klinisk diagnose af brystkræft, med en følsomhed på 80% på omkring fem falske positiver per patient.

Introduction

Brystkræft er en alvorlig sygdom, der påvirker kvinder, og er den anden hyppigste årsag til kræft dødsfald blandt kvinder 1,2. For at forbedre chancen for overlevelse og prognosen af ​​de ramte patienter gennem en effektiv behandling ved tidlige stadier af brystkræft, der skal opdages så tidligt som muligt sygdommen. I retrospektiv analyse af tilfælde af brystkræft, har subtile tegn på abnormiteter blevet observeret på tidligere erhvervede screening mammografi 3,4. Arkitektonisk forvrængning er en sådan lokaliseret mammografi tegn på eventuelt tidlige stadier af brystkræft, der er vanskelig at opdage 5,6. De associerede mønstre er vagt beskrevet som forvrængning af den normale arkitektur af brystet uden nogen bestemt masse synlige. Arkitektonisk forvrængning kan forekomme på de indledende stadier af dannelsen af ​​en bryst masse eller tumor. Vi hypotesen, at screening mammografi indhentet forud for påvisning af brystkræft cOuld indeholder subtile tegn på tidlige stadier af brystkræft, især arkitektonisk forvrængning.

1a viser en forudgående mammografi billede af et tilfælde af screen-opdages kræft. Regionen abnormitet identificeret ved en radiolog (JELD) er skitseret med en rød firkant. Den tidligere mammografi blev taget 24 måneder før afsløring mammografi vist i figur 1b. Den tidligere mammografi var blevet erklæret for at være fri for tegn på kræft på den oprindelige instans af screening. I retrospektiv analyse og i sammenligning med afsløring mammografi, en mistænkelig område relateret til stedet for kræft opdages blev mærket af radiologen, og er skitseret i rødt på den forudgående mammografi. Den mistænkelige region indeholder tegn på arkitektonisk forvrængning, herunder spikler.

Computerstøttet diagnose (CAD) teknikker og systemer giver mulighed for at opnå øget følsomhed i afsløring af breast kræft 2,7-9. Men i sammenligning med antallet af publikationer, der findes i litteraturen på påvisning af andre tegn på brystkræft, såsom masser og forkalkninger, er blevet rapporteret kun et lille antal undersøgelser på påvisning af arkitektoniske forvrængning i mangel af en central masse 10-17. Kommercielt tilgængelige CAD-systemer har vist sig at udføre dårligt i påvisning af arkitektonisk forvrængning 18. Undersøgelser om afsløring af arkitektonisk forvrængning i tidligere mammografi for skærm-registreres eller interval-kræfttilfælde 3,4,19-22 kunne hjælpe med at udvikle strategier til påvisning og behandling af brystkræft sygdomme på deres tidlige faser, og føre til forbedringer i prognose for patienten 23.

Forberedelse af billeder til eksperimentet

Forsøg blev udført med 158 mammografibilleder herunder 106 tidligere mammografi af 56 personer diagnosticeretmed brystkræft og 52 billeder af 13 normale individer. Etik godkendelse til undersøgelsen blev indhentet fra Conjoint Health Research Ethics Board, Kontoret for Medicinsk bioetik, University of Calgary og Calgary Regional Health Authority. Billederne blev opnået fra Screen Test: Alberta Program til tidlig påvisning af brystkræft 21,24,25.

Mammografi erhvervet i sidste planlagte besøg i screeningsprogrammet forud for diagnose af kræft uden for screeningsprogrammet var mærket som tidligere mammografi af interval-kræfttilfælde. De tilsvarende diagnostiske mammografi ikke var til rådighed. Alle men to af de 106 tidligere mammografi var blevet erklæret for at være fri for ethvert tegn på brystkræft på tidspunktet for deres erhvervelse og analyse i screeningsprogrammet, de personer, der svarer til de to andre mammografi var blevet henvist til biopsi. Tidsintervallet mellem diagnosticering af kræft og tidligere mammografi varierede fra 1,5 måneders til 24,5 måneder med et gennemsnit på 15 måneder og standardafvigelse på 7 måneder. Alle de tidligere mammografi af interval-kræfttilfælde er tilgængelige i databasen er blevet medtaget i den foreliggende undersøgelse, bortset fra seks billeder, hvor der ikke mistænkelige dele kunne identificeres.

Skærmen-film mammografi blev digitaliseret ved den rumlige opløsning på 50 um og grå-skala opløsning på 12 bits per pixel ved hjælp af Lumiscan 85 laserscanner (Lumisys, Sunnyvale, CA). En ekspert radiolog med speciale i mammografi (JELD) gennemgået alle de 106 tidligere mammografi af interval-kræfttilfældene og markerede den formodede områder af arkitektonisk forvrængning med rektangulære kasser baseret på de indberetninger er tilgængelige på efterfølgende billedbehandling eller biopsi eller ved detaljeret inspektion af mammografi . Af de 106 tidligere mammografi billeder i datasættet anvendt i nærværende undersøgelse, 38 billeder har synlige arkitektoniske forvrængning, og de resterende 68 billeder indeholder tvivlsomme eller ikke tydeligt evident arkitektonisk forvrængning. Hver forudgående mammografi indeholder en enkelt lokalitet af arkitektonisk forvrængning som er identificeret af den rektangulære kasse tegnet af radiologen. Den gennemsnitlige bredde, højde og areal af de 106 mistænkelige dele af billeder, der er markeret med radiologen er 56 mm, 39 mm og 2.274 mm 2 med standardafvigelse på 11,8 mm, 11,6 mm og 1073,9 mm 2, hhv.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1.. Oversigt over Metode

I vores procedure, er potentielle steder af arkitektonisk forvrængning i mammografi registreres automatisk via analyse af orienterede stoflige mønstre med anvendelsen af en bank af Gabor filtre 26 og modellering af fase portrætter 11,27. De fundne steder behandles derefter gennem trinene i udvinding af funktioner eller foranstaltninger til at karakterisere arkitektonisk forvrængning, udvikling af en uddannet klassificeringen, og anvendelse af en algoritme til mønstergenkendelse eller klassificering. Proceduren er sammenfattet af de følgende trin 11,20,21:

  1. Segment brystet del i den givne mammografi billedet ved hjælp af adaptiv thresholding og morfologiske åbning.
  2. Anvende et sæt på 180 Gabor filtre med vinkler jævnt fordelt over området -90 ° til +90 ° til opnåelse Gabor størrelsesorden billede, M (i, j) og Gabor vinkel billede, θ(I, j), ved at vælge reaktionen og vinkel af filteret med den højeste respons i hver pixel (i, j).
  3. Vælg krum strukturer (CLSS) af interesse, såsom spikler og fibroglandular væv, ved at adskille dem fra forstyrrende strukturer, såsom kanter brystmusklen, parenkym væv, bryst grænse, og støj, ved hjælp af orientering felt, hældning område, den nonmaximal undertrykkelse (NMS) teknik, og yderligere betingelser 11.
  4. Filter orientering felt med en Gauss filter med standardafvigelsen på 7 pixels og ned-prøve med en faktor fire for at reducere støj og yderligere beregningsmæssige krav 11,20.
  5. Anvende lineær fase-portræt modellering, med en glidende analyse vindue størrelse 10 x 10 pixels ved 800 mM / pixel, med én pixel per trin, til den filtrerede orientering område med særlige betingelser for at vælge fase-portræt kort relateret til bestemte typer af node patteRNS 11,20.
  6. Støbt afstemning, hvis visse betingelser er opfyldt, på positionen fra fast punkt for hver position af analysen vinduet for at danne node kortet.
  7. Foretage node kortet med en Gauss vindue af størrelse 35 x 35 pixels med empirisk bestemte standardafvigelse på 6 pixels (4,8 mm), at konsolidere stemmer i tæt nærhed til hinanden.
  8. Analyser node kort efter rang-bestilling toppe i node kortet.
  9. Cut områder af interesse (ROI), størrelse 128 x 128 pixels, undtagen ved kanterne, fra det originale billede, med midten af ​​hver ROI beliggende i centrum af den tilknyttede højdepunkt i knude kortet. På kanterne af billedet bliver behandlet, skal du oprette ROIs at medtage så mange af de billeddata, som findes i den angivne vindue.
  10. Udlede funktioner eller foranstaltninger til at karakterisere spiculating mønstre relateret til arkitektoniske forvrængning og adskille dem fra normale væv mønstre, der mødte også nogle af de oprindelige betingelser.
    11. <li> Udvikle en uddannet klassifikatør til at skelne mellem funktionerne i steder med arkitektonisk forvrængning og de normale væv mønstre ved hjælp af en uddannelse sæt ROIs klassificeret af en radiolog.
  11. Påfør uddannet klassificeringen til et sæt af testcases og verificere resultaterne med diagnose, som radiologen og baseret på biopsi.

Trin 1-9 er anført ovenfor anvendes automatisk på en given mammografi billede. Udvalgte trin i proceduren, der er anført ovenfor, er beskrevet og illustreret i de følgende afsnit.

2. Forbehandling af mammografi-billeder

Forbehandlingsfasen fase består af følgende trin:

  1. Filtrer givet mammografi billede ved hjælp af en Gauss filter, med en standardafvigelse på 2 pixels og størrelse på 13 x 13 pixels på opløsning på 50 mM / pixel og 12 bit / pixel, og ned-prøve til 200 um / pixel og 8 bit / pixel opløsning.
  2. Reflectbilledet, hvis det er af højre bryst.
  3. Segment brystregionen i mammografi billedet ved hjælp af Otsu adaptive tærskelværdiansættelse fremgangsmåde og morfologisk åbning med et skiveformet strukturerende element en radius på 25 pixels (5 mm til 200 um / pixel) 21,28,29.
  4. Detect den omtrentlige bryst grænse 10,21.

Figur 2A viser en original forudgående mammografi. Figur 2B i samme figur viser resultatet af omtrentlige segmentering af brystdelen, der anvendes i de efterfølgende trin af bearbejdning og analyse.

3. Udvinding af Oriented mønstre med Gabor filtre

Den virkelige Gabor filter funktion orienteret ved -90 ° er specificeret i vores arbejde som 10,30:

Ligning 1
hvor & #963, x og σ y er de standardafvigelsesværdier i x-og y-retninger, og ƒ o er frekvensen af den modulerende sinusoid. Filtre på andre vinkler opnås ved at dreje denne funktion med at koordinere transformation som:

Ligning 2 supplement
hvor (x ', y'), er det sæt af koordinater er roteret med vinklen α.

Parametrene i ligning 1 til filtrering mammografi stammer i vores arbejde ved at tage hensyn til den gennemsnitlige størrelse af brystvæv mønstre skal påvises, som følger 10:

  1. Lad Τ være fuld bredde ved halv maksimum af Gauss udtryk i ligning 1 langs x-aksen.
  2. Lad Τ = 4 pixels, svarende til en tykkelse på 0.8 Mm ved pixelstørrelse på 200 um.
  3. Beregn Ligning 3.3 .
  4. Lad den periode af cosinus sigt være Τ, og derefter ƒ o = 1 / Τ.
  5. Lad værdien af σ y defineres som σ y = lσ x, hvor l bestemmer forlængelsen af Gabor-filter i y-retningen i forhold til bredden af filteret i x-retningen. Til analyse af mammografi på 200 um / pixel, brug l = 8.

En bank på 180 real Gabor filtre jævnt fordelt over intervallet -90 ° til +90 ° anvendes i vores metoder til påvisning af orienterede mønstre i mammografi 10, 21. For hver givet billede, Gabor størrelsesorden billede, M (i, j) og en Gabor vinkel billede, θ (i, j), er fremstillet ved hjælp af reaktion og vinkel the Gabor-filter med den højeste respons i hver pixel (i, j).

Den Gabor filter har en ikke-nul størrelsesorden svar på oprindelsen af ​​frekvensen plan (nul frekvens). Fordi lavfrekvente komponenter ikke er relateret til tilstedeværelsen af ​​arkitektonisk forvrængning, er det ønskeligt at reducere effekten af ​​de lavfrekvente dele af mammografi billede i retningen inden størrelsesorden. Derfor mammografibilleder er high-pass filtreres før udvinding af orienteringen felt. Dette opnås ved at beregne forskellen mellem det oprindelige billede og et lavpas filtreret version af det samme billede. Low-pass filter, der anvendes i dette trin er en gaussisk filter med standardafvigelsen svarende til σ y defineret som ovenfor.

Selv om man kunne spare den filtrerede billede for hvert vinkel af interesse i den foreliggende arbejde, den maksimale reaktion på hver pixel over alle de filtre (vinkler), der anvendes, ergemmes i et enkelt billede, benævnt Gabor størrelsesorden reaktion, mens den tilsvarende vinkel på Gabor filter, gemmes på hver pixel i et andet billede, benævnt Gabor vinkel respons. Sammen udgør de to output-billedet orientering inden for den givne billede.

Figur 3A viser en test billede af en plante. 3B viser Fourier-spektret af billedet, der viser koncentrationer af energi ved forskellige vinkler. Alle dele af billedet med den samme orientering, uanset deres placering og størrelse, har deres frekvens komponenter (spektral energi) placeret i en vinkel bånd eller sektor anbragt ved 90 ° i forhold til deres orientering i billedet. Resultaterne af filtrering af billedet med Gabor filtre med Τ = 8 pixels og l = 8, er vist i figur 3C og D. Det er klart, at de Gabor filtre ekstraheret dele af planten orienteret i forskellige vinkler med høj magnitude respons og at vinklen svar enig med orienteringen af ​​det dominerende element til stede ved den tilsvarende pixel. Ved hjælp af en bank af Gabor filtre orienteret under forskellige vinkler i intervallet -90 ° til +90 °, har vi ekstraheret alle de orienterede komponenter i billedet, og deres vinkler ved hver pixel. Det er klart, at reaktionen af ​​Gabor filtre er næsten nul i glatte områder med samme intensitet, og ingen strukturer foretrukne orientering, såsom dele af potten og væggen.

Figur 4 viser Gabor størrelsesorden og vinkel respons opnået for mammografi med arkitektonisk forvrængning vist i figur 2B. Det er klart, at de Gabor filtre ekstraheret orienterede komponenter med høje reaktioner samt de tilsvarende vinkler. Det ses også, at reaktionen af ​​Gabor filtre er lav i glatte områder med næsten konstant densitet og ingen strukturer foretrukne orienteringtion. Ved nærmere eftersyn, kan det også bemærkes, at svaret fra de Gabor filtre afhænger af kontrasten i en orienteret struktur i forhold til sin baggrund og ikke kun på dets densitet eller lysstyrke. Disse resultater skyldes bandpass karakter Gabor filtre.

4.. Udvælgelse af kurveformede konstruktioner

Mammografi indeholder mange CLSS svarende til kanaler, fartøjer, ledbånd, parenchymal væv, og kanterne af brystmusklen. Nogle abnormiteter i mammografi kunne karakteriseres ved tilstedeværelsen af visse typer CLS, såsom spiculated masser 12,31,32 og arkitektonisk forvrængning 10,11,33, eller ved asymmetrisk struktur af orienterede tekstur i brystet billede 34.. På den anden side, visse typer læsioner, såsom bunden masserne, kunne skjules af flere CLSS oven på læsioner i de projicerede mammografi billeder; forekomsten af ​​sådanne læsioner kan være altderes og kan føre til falsk-negative afsløring eller fejldiagnose. Analyse af den CLSS stede i mammografi kan forbedre ydeevnen af algoritmer til påvisning af spiculated masser og arkitektonisk forvrængning, som foreslået af Zwiggelaar et al. 35.. Derfor identifikation af CLSS er et vigtigt skridt i afsløring af arkitektonisk forvrængning.

Selvom Gabor filterbanken anvendt i den foreliggende arbejde er følsom over for lineære strukturer, såsom spikler og fibre, registrerer også andre stærke kanter, såsom kanterne af brystmuskel, kanter af parenchymale væv og karvægge, som orienterede strukturer . Stærke kanter omkring fibroglandular disk 36 kan anvendes til detektion af en bestemt form for arkitektonisk forvrængning 37 kendt som omdrejningspunkt tilbagetrækning. Men i den foreliggende arbejde, er det vigtigt, at kun clss relateret til fibroglandular væv identificeres som orienterede funktioner.

  1. Segment brystet området i en given mammografi, som beskrevet i afsnit 2.
  2. Detect core CLS pixels ved at anvende NMS teknikken 35,38 til Gabor størrelsesorden respons image.
  3. Afvis CLSS pixels på steder med en stærk hældning 33.

NMS algoritme identificerer centrale CLS pixels ved at sammenligne hver pixel i størrelsesorden svarbillede med sine naboer langs den retning, der er vinkelret på den lokale orientering feltvinklen, se fig. 5. Hvis pixlen under efterforskning har en større størrelsesorden værdi end de tilsvarende naboer pixel er en kerne CLS pixel. NMS er et almindeligt trin i mange kantdetektorer (såsom snu kantdetektoren 39). Zwiggelaar et al. 35 brugte NMS til påvisning af CLS pixels på samme måde som beskrevet i dennesektion.

Tilstedeværelsen af ​​en stærk gradient kan forårsage en krusning på Gabor størrelsesorden reaktion, der fører til en fejlagtig detektering af en CLS. De centrale CLS pixels forbundet med tilstedeværelsen af stærke gradienter bliver afvist af de kriterier, Karssemeijer og te Brake 12 foreslået i forbindelse med påvisning af spiculated læsioner. Gradient mammografi billede opnås ved anvendelse af den første afledede af en Gauss med en standardafvigelse på fem pixels (1 mm). For hver kerne CLS pixel, er retningen af ​​gradienten i forhold til retningen af ​​orienteringen felt. Hvis forskellen mellem retningen af ​​orienteringen felt og retningen vinkelret på gradienten er mindre end 30 °, er den tilsvarende kerne CLS pixel kasseres.

De clss i fibroglandular disk typisk har reduceret kontrast i forhold til de clss udenfor fibroglandular disk. Følgelig er de CLSS i FIBroglandular disk har mindre Gabor størrelsesorden svarværdier end CLSS uden disken. For at tildele den samme vægt til alle CLS pixels uafhængigt af sted og til at sikre påvisning af det relevante CLSS med lav kontrast, som spikler i fibroglandular disken, bliver størrelsen feltet M (i, j) erstattes videre forarbejdning af et billede, der består af kun kerne CLS pixel, M CLS (i, j), defineret som følger:

Ligning 3
Billedet M CLS (i, j) formidler vigtige oplysninger om forekomsten af CLSS. Figur 6 viser resultaterne af CLS valg med et komplet mammografi og en ROI. Fordi tilstedeværelsen af ​​arkitektoniske forvrængning er angivet ved den geometriske arrangement af associerede CLSS snarere end deres densitet eller intensitet, magnitude af det detekterede CLSS har lavere vægt end den rumlige udformning af de orienterede strukturer.

5.. Påvisning og mærkning af mistænkelige websteder via Analyse af fase Portrætter

Rao og Jain 40 udviklet en metode til analyse af orienterede tekstur i billederne ved at knytte den tilsvarende gradient felt orientering med udseendet af fase portrætter. En fase portræt af et system med to lineære, første orden, differentialligninger viser de mulige baner af de tilstandsvariable 27.

Lad p (t) og q (t), t ISIN Symbol R repræsenterer to differentiable funktioner af tiden t, relateret som

Ligning 3
Herp • (t) og q • (t) er de første-ordens afledede med hensyn til tid, og F og G er funktioner af p og q 10. I betragtning af den oprindelige betingelser p (0) og q (0), opløsningen [p (t), Q (t)], kan være repræsenteret i form af en parametrisk bane eller strømline af en hypotetisk partikel i (p, q ) plan. Partiklen er placeret på [p (0), q (0)] ved tiden t = 0 og bevæger sig gennem (p, q) plan med hastigheden [p • (t) og q • (t)]. The (p, q) plan er kendt som faseplanen af systemet. En fase portræt er en graf over de mulige baner af en partikel i den fase flyet. Et fast punkt er et punkt i den fase plan, hvor p • ( m> t) = 0 og q • (t) = 0. En partikel venstre ved et fast punkt forbliver stationær. For en affin-system, vi har

Ligning 4
Her, A er en 2 x 2 matrix og b er en søjlematrix 2 x 1. Centret (p 0, q 0) af portrættet fase er givet af det faste punkt som

Ligning 5
Hvis vi forbinder funktioner p (t) og q (t) med x-og y-koordinaterne for planet af det billede, der behandles, den tilsvarende orientering felt er

res.jpg "width =" 500 "/>
Her Φ (xy) er vinklen af hastighedsvektoren [p • (t), q • (t)] med hensyn til x-aksen (x, y) = [p (t), Q (t)] . Vi forbinder Φ (XY) med Gabor vinkel svar θ (i, j), og definere en fejl funktion, der skal minimeres så

Ligning 7
hvor [a, b] og [c, d] er de to rækker af A. Det sidste udtryk giver en højere straf (omkostninger) for afvigelse i konfigurationer af matricen A fra dem, der vedrører spiculated node mønstre. Ligningen angivet ovenfor repræsenterer Φ (xy) på et diskret gitter (i, j) i stedet for den kontinuerlige rum (x, y). Estimates af A og B, der minimerer ε 2 (a, b) er fremstillet ved følgende procedure:

  1. Opnå oprindelige overslag over A og B gennem minimering af ε 2 (A, b) ved hjælp af simuleret udglødning metode 41..
  2. Opnå den optimale skøn ved at forfine de indledende skøn ved en lineær mindste kvadraters algoritme 42..

I modellen er beskrevet ovenfor, er der tre mulige typer af fase portrætter: node, sadel, og spiral. Den type af fase portræt bestemmes af egenværdierne for A 10,27,30,40. Orienteringen inden for en struktureret billede kan beskrives ved at bestemme, hvilken type af fase portræt, der er mest ligner sit felt orientering. Fordi spiralmønstre ikke er af interesse i analysen afmammografi, vi begrænse matricen A at være symmetrisk, hvilket resulterer i kun to typer af fase portrætter: node og sadel.

På grund af den forventede tilstedeværelse af en række spikler i forskellige vinkler, der får oven i det projicerede mammografi billede, vi hypotesen, at et område af arkitektonisk forvrængning vil præsentere node-lignende egenskaber. Imidlertid kunne normale væv, kanaler, skibe og andre orienterede strukturer i brystet også få fremskrevet og overlejret til at danne mønstre, der efterligner udseendet af arkitektonisk forvrængning i en mammografi. Derfor analyserer vi noden kortet til påvisning af mistænkelige websteder eller potentielle steder af arkitektonisk forvrængning, og analysere de fundne lokaliteter via yderligere trin feature extraction og mønster klassificering.

Fordi en mammografi kan udstille flere mønstre, anvender vi en glidende analyse vindue af størrelse 10 x 10 pixels ved 800 mM / pixel, med one pixel per trin. For hver position af vinduet, er en stemme støbt i et kort, kaldet node kortet, på den position givet af den tilsvarende faste punkt, hvis alle de anvendte betingelser er opfyldt. Resultater relateret til matricen A med dets tilstand tal større end 3,0 afvises at ignorere mønstre ikke forventes at være forbundet med arkitektonisk forvrængning 11. Endvidere er en yderligere betingelse af afstanden mellem et fast punkt og placeringen af ​​de tilsvarende analyse-vinduet: hvis afstanden er mindre end tre pixels (2,4 mm) eller større end 20 pixels (16 mm), resultaterne for den aktuelle analyse vindue afvises. Omfanget af afstemningen er sat lig med forholdet mellem mål for fit ε 2 (a, b), defineret i ligning 7, på betingelse antallet af A, for at understrege isotropi portrættet fase. Knudepunktet kort derefter analyseres for at påvise local maxima eller toppe, der forventes at angive steder af arkitektonisk forvrængning. Imidlertid er proceduren også resulterer i påvisning af en række falsk-positive (FP) steder på grund af overlejrede normale strukturer.

Ved hvert højdepunkt i node kortet, vi automatisk udtrække en ROI af størrelse 128 x 128 pixels, undtagen ved kanterne af billederne fra mammografi billede på 200 mM / pixel. Vi mærke de ROIs på de steder, der er angivet af toppene i node kortet i faldende orden af ​​værdierne af toppene, op til et maksimum på 30 ROI'er pr mammografi.

Når mammografi med kendte diagnoser er vant til at træne vores procedure, den automatisk registrerede ROIs med deres centre inden for de dele af arkitektonisk forvrængning identificeret af radiologen er mærket som sand-positive (TP) ROIs, de andre er mærket som FP ROI'er til brug i uddannelse procedure. Når en mammografi er analyseret under anvendelse af trænet procedure alle ROI'er opdaget ets ovenstående behandles for klassificering uden mærkning.

Figur 7 viser knudepunktet kort og de ​​detekterede for mammografi vist i figur 2B ROI'er. De røde rektangler angiver mistænkelige område præget af radiologen.

Figur 8 viser en række TP, FP ROI'er ekstraheret automatisk fra flere mammografi. De fleste af TP ROI'er har flere spikler og orienterede mønstre spredt over et bredt område af vinkler. FP ROI'er på den anden side har et mindre antal af normale vævsstrukturer orienteret over et snævrere område af vinkler, uanset grund af deres superposition i det projicerede mammografi billede, de efterligner node-lignende egenskaber af arkitektonisk forvrængning.

Vores strategi er at opdage mistænkelige områder med høj effektivitet eller følsomhed i den indledende fase (med tilsvarende lave falsk negative), selv om den medfølgende nummer for rammeprogrammerne er stor. Det næste trin i analysen af de ROIs er designet til at hjælpe med at reducere rammeprogrammerne via effektiv karakterisering og klassificering af det detekterede ROIs.

6.. Karakterisering af Architectural Distortion

En registreres automatisk ROI herunder arkitektonisk forvrængning, centreret på et højdepunkt i den tilhørende node kortet, er tilbøjelige til at have flere spikler spredt i forskellige vinkler. Vi forventer, at denne egenskab fører til en bred kantet spredning af energi i billedet domæne og spektrale energi i Fourier-domænet. I vores tidligere værker har vi vist, at en sådan kantet dispersion kan repræsenteres effektivt i form af en rose diagram, som er et kantet histogram 21,22. Vi normalisere rosen diagram at have arealenhed og behandle det som en sandsynlighedsfordeling (PDF). Så vi karakterisere PDF af hver ROI med entropi, som er et statistisk mål for uorden eller scatter.

NDHOLDET "> Den øgede scatter af vævs-mønstre i regioner med arkitektonisk forvrængning ændrer fraktal karakter af normalt brystvæv. De almindeligt anvendte modeller af fraktaler er baseret på multiscale indlejrede mønstre af selvsimilære mønstre 43-46. anden model af fraktal adfærd er fraktioneret Brownsk bevægelse (FBM), som er relateret til et spektrum i frekvensdomænet, hvor magten falder i forhold til (1 / f) ^ β, hvor f er frekvensen og β er kendt som den spektrale komponent 47,48. Den FBM model fører til fraktale billeder, der ligner tilfældige overskyet mønstre. sammenlignelige mønstre ses ofte i mammografi For at anvende denne model til billeder, de to-dimensionelle (2D) Fourierspektrum af billedet skal konverteres til en én -dimensional (1D) funktion.

Vi har udviklet en integreret metode til at karakterisere kantede spredning og til at udlede et skøn over de fraktale dimension (FD) af et billede ved at knytte 2D Fourierspektrum af billedet i rektangulære koordinater, betegnet med S (u, v), til et spektrum i polære koordinater, angivet med S (f, Ν). Fremgangsmåden er beskrevet ved de følgende trin 21:

  1. Påfør von Hann vindue til hver automatisk ekstraheret 128 x 128 ROI og pad resultatet med nuller til en bred vifte af størrelse 256 x 256 pixels.
  2. Beregn 2D Fouriertransformation af det polstrede ROI og størrelsen af hver resulterende kompleks værdi at opnå et estimat af den magt spektrum, S (u, v), i ROI.
  3. Identificer udvalgte lavfrekvente og højfrekvente dele af spektret for udelukkelse i de efterfølgende trin.
  4. Kort 2D kraftspektret S (u, v) fra den kartesianske (rektangulære) koordinater (u, v) til de polære koordinater (ƒ, Ν) for at få S (ƒ, Ν), ved resampling og beregne en vægtet gennemsnit af fire naboer eACH punkt for radial afstand f i området fra nul til halvdelen af samplefrekvensen, og over rækken af vinklen Ν = [0, 179 °].
  5. Omdan 2D spektrum S (f, Ν) i en 1D funktion S (ƒ), ved at integrere som en funktion af den radiale afstand eller frekvensen f fra nul-frekvens punkt over området i Ν = [0, 179 °] i vinkel.
  6. Anvende lineær regression til et begrænset frekvensområde 1D spektret S (ƒ) på en log-log skala, bortset fra punkter i udvalgte lavfrekvente og højfrekvente områder, og få hældningen β af monteret linje, hvilket er et skøn den spektrale komponent i FBM modellen.
  7. Beregne den anslåede værdi af FD som 15,49,50 FD = (8 - β) / 2.
  8. Omdan 2D spektrum S (f, Ν) i en 1D funktion S (Ν), ved at integrere som en funktion af vinklen Ν forintervallet [0, 179 °], fra nul-frekvens-punkt over radiale afstand ƒ = [1, 128] pixels.
  9. Normalisere S (Ν) for at få enheden sum og beregne entropien af resultatet som Ligning 6.9 .

Den geometriske transformation er beskrevet ovenfor fører til forbedret repræsentation og visualisering af de spektrale karakteristika for periodisk eller spiculated tekstur 9. Udvalgte lav-og højfrekvente regioner har brug for at blive udelukket for at fjerne virkningerne af de lavfrekvente komponenter relateret til det overordnede udseende af billedet og de store strukturer til stede i billedet, samt at forebygge virkningerne af højfrekvente støj. I det nuværende arbejde, de bands af frekvenser udelukkes i estimering af β og FD (dvs. ikke-lineære dele), er udvalgt baseret på eksperimenter ved hjælp syntetiseret billeder med kendt FD, og også ved hjælp af etantal ROI'er af mammografi. Rækken af ƒ bruges til at passe den lineære model svarer til [6, 96] pixels eller [0,117, 1,875] mm -1, hvor intervallet [1, 128] pixels svarer til diskrete repræsentation af frekvensområdet [0, 2,5 ] mm -1.

Figur 9 og 10 viser de forskellige trin for fraktal analyse og estimering af den kantede spredning af magten i frekvensdomænet for en TP ROI og en FP ROI, hhv. 9D angiver eksistensen af multidirectional spiculating mønstre for TP ROI, hvorimod i figur 10D, er spredningen af magt er begrænset til et lille antal kantede bånd til FP ROI.

7.. Mønster Klassificering og validering

Vi har nu tre foranstaltninger eller funktioner for hver ROI registreres automatisk: [node værdi, H F, FD], som beskrevet i kapitel 6. Vi bruger disse funktioner, jegndividually og kollektivt, at karakterisere de spiculating mønstre relateret til arkitektonisk forvrængning og at differentiere TP ROI'er fra FP ROIs opdaget.

For TP ROI vist i figur 9, funktionen vektor bestående af de tre foranstaltninger afledt er [0,0299, 7,2224, 2,3037]. For FP ROI vist i figur 10, er den tilsvarende funktion vektor er [0,0349, 6,9444, 2,5223]. Som forventet, H F-værdien er højere for TP ROI end for FP ROI, og værdien af FD er lavere. Men knuden er lavere for TP ROI end for FP ROI, hvilket er i modstrid med de forventede forskelle, på grund af tilstedeværelsen af ​​overlappende strukturer i sidstnævnte. Generelt kan vi forvente nogle af de funktioner til at følge den forventede udvikling og hjælpe med klassificeringen af ​​ROIs selvom andre funktioner undlader at vise den forventede adfærd.

For at evaluere resultaterne af de funktioner,, Bruger vi området under modtageren opererer karakteristik (ROC) kurven (AUC) 51,52 og frit respons ROC (Froc) analyse 53-55. For ROC og Froc analyse med en individuel funktion, behøver vi ikke bruge en uddannet klassificeringen, men i stedet anvender vi en glidende tærskel. De tre individuelle funktioner i node, FD, og H F forudsat AUC-værdier på 0,61, 0,59 og 0,64, henholdsvis som angiver godt potentiale, men ikke tilstrækkelige præstation i mønster klassificering. P-værdier af de samme funktioner er 1.7638e-009, 1.8793e-004, og 2.2615e-013, der angiver statistisk meget signifikante forskelle mellem deres værdier for det sæt af automatisk registreret TP og FP ROI'er.

Når et stort antal af funktioner bruges til at repræsentere prøver til klassificering, er det nødvendigt at vælge en optimal delmængde af funktioner, så som at fjerne korrelerede funktioner og reducere kompleksiteten af klassificeringen 20-22; flere procedninger, såsom trinvis logistisk regression 56, kan anvendes til dette formål. I det foreliggende arbejde, fordi vi bruger kun tre funktioner pr ROI, vi ikke udfører funktionen valg.

For at udføre validering af uddannet klassificeringen, anvender vi procedurer mønsteret klassificering med leave-one-patient-out tilgang. Vi udelukker alle de udvindes af mammografi hos patienten, der skal testes fra proceduren uddannelse af klassificeringen ROIs, og derefter anvende den således opnåede til prøvesag klassificeringen. Vi derefter gentage proceduren for hele datasættet, én sag eller patient ad gangen.

For ROC-analyse med det sæt af tre funktioner, bruger vi en klassifikatør der udfører kvadratisk diskriminant analyse med Bayesian antagelse 57.. For at generere Froc kurver, anser vi TP ROI med den højeste diskriminanten værdi i de to mammografi billeder tilgængelige for patienten, undtagen i seks tilfælde, hvor kun énBilledet er tilgængelig for hvert tilfælde.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

De tre funktioner, nemlig node værdi, FD, og H F, forudsat AUC-værdier på 0,61, 0,59 og 0,64, henholdsvis når hver funktion blev brugt på egen hånd. Kombineret brug af de tre funktioner, forbedret ydeevne med AUC = 0,70. Froc kurve opnået med kombinationen af de tre funktioner er vist i figur 11, hvilket indikerer en følsomhed på 80% ved 5,6 fps / patient og 89% ved 7,5 fps / patient. Brug kun node værdi forudsat en følsomhed på 80% ved 8,1 fps / patient og 89% ved 13,8 fps / patient.

Reduktionen af rammeprogrammerne det endelige resultat er vist i figur 12.. Af hensyn til illustrationen, er kun seks ROI'er med de højeste placeringer vist. Tallene uden parentes angiver ranking baseret på diskriminant værdier opnået ved Bayesian klassificeringen, tallene i parentes svarer til den tidligere ranking baseret på den node kortet. Sammenligning Trong> Figur 12 med den indledende fase af påvisning af mistænkelige ROIs vist i figur 7, er det klart, at de funktioner, der bruges til at karakterisere arkitektonisk forvrængning har ført til en betydelig reduktion i rammeprogrammerne, i forhold til den indledende fase af node analyse, samtidig med at god påvisningsfølsomhed. Dette er en sag, hvor tre af de højt rangerede ROIs har overlappet med det mistænkelige område af arkitektonisk forvrængning præget af radiologen og repræsenterer et tilfælde af vellykket påvisning af vores procedure.

I en klinisk anvendelse, bør antallet af ROI'er skal vises i det endelige resultat bestemmes afhængigt af den ønskede følsomhed og antal RP'er, der vil blive tolereret, samt præference radiologer.

oad/50341/50341fig1.jpg "/>
Figur 1. (A) En forudgående mammografi størrelse 1.377 x 850 pixel ved 200 mM / pixel opløsning, (A) svarende afsløring mammografi af størrelse 1374 x 850 pixels ved 200 mM / pixel opløsning, (C) forstørret region af arkitektonisk forvrængning i billedet, der vises i del (A), størrelse 39,2 mm x 21,8 mm (D) forstørret region af arkitektonisk forvrængning i billedet er vist i del (B), af størrelse størrelse 40,8 mm x 26,8 mm. Den tidligere mammografi blev taget 24 måneder før afsløring mammografi. Dette er et tilfælde af brystkræft screen-opdages. Klik her for at se større figur.

41fig2highres.jpg "/>
Figur 2. (A) En forudgående mammografi størrelse 1377 x 850 pixels ved 200 mM / pixel opløsning. (B) svarende billede efter forbehandling for at få omtrentlige segmentering af region brystet Klik her for at se større figur.

Figur 3
Figur 3. (A) Test billede af et anlæg med flere orienterede dele af størrelse 646 x 668 pixels, (B) Fourier størrelsesorden spektrum af billede, der viser energi koncentreres ved forskellige vinkler, (C) Gabor størrelsesorden respons, og (D) Gabor vinkel respons . 180 Gabor filtre blev anvendt over området -90 ° til +90 °, med Τ > = 8 pixels og l = 8. Klik her for at se større figur.

Figur 4
Figur 4.. (A) Gabor omfang og (B) vinkel svar for mammografi med arkitektonisk forvrængning vist i figur 2B, størrelse 1377 x 850 pixels ved 200 um per pixel. 180 Gabor filtre blev anvendt over området -90 ° til +90 °, med Τ = 4 pixels og l = 8. Rektanglet (rød eller grøn) viser det område af arkitektonisk forvrængning præget af radiologen, størrelse 47,6 mm x 29,9 mm. (C), (D) Forstørret udsigt over regionen arkitektonisk forvrængning.es/ftp_upload/50341/50341fig4highres.jpg "target =" _blank "> Klik her for at se større figur.

Figur 5
Figur 5 NMS teknik:. Den aflange firkant (i gråt) angiver tilstedeværelsen af en CLS. Firkanterne betegne pixels langs en retning vinkelret på orienteringen af ​​CLS. Det centrale grønne firkant angiver en kerne CLS pixel.

Figur 6
Figur 6.. NMS og CLS udvælgelsesresultater lagt oven på den fulde mammografi billede i figur 2A. (A) NMS resultater. (B) CLS udvælgelseresultater. De pixels, der er markeret med hvidt svarer til CLS pixels, der bevares til yderligere analyse. (C) NMS resultater og (D) CLS udvælgelse resulterer i forstørrede visninger for ROI markeret i figur 4A. Klik her for at se større figur.

Figur 7
Figur 7. (A) Node kort og (b) ROI'er konstateret mammografi vist i figur 2B. Den mammografi billede er af størrelse 1377 x 850 pixels på 200 um per pixel. Størrelsen af ​​området med arkitektoniske forvrængning (rød firkant) præget af radiologen er 47,6 mm x 29,9 mm. Hver ROI er af størrelse 128 x 128 pixel, undtagen ved kanterne af imalder. Klik her for at se større figur.

Figur 8
Figur 8 Eksempler på (A) -. (C) tre TP ROI'er og (D) - (F) tre FP ROI'er. Hver ROI er i størrelse 128 x 128 pixels. De tilsvarende node værdier vises. Klik her for at se større figur.

Figur 9
Figur 9. (A) En 128 x 128 pixel TP ROI med arkitektoniske dis afpresning, pixelstørrelse = 200 um. Node værdi = 0,0299. (B) 2D Fourier log-power spektrum S (v u) opnået efter anvendelse af von Hann vinduet og nul polstring ROI til 256 x 256 pixels. (C) Kraftspektret i (f, Ν) plads. Den vandrette akse svarer til vinklen Ν fra 0 ° til 179 ° og den lodrette akse svarer til radial frekvens fra 0,02 mm -1 til 2,5 mm -1. Den øverste venstre hjørne pixel svarer til frekvens på 0,02 mm -1 og vinkel på 0 °. En sort ramme er blevet anvendt på spektret. (D) Kantet spredning af magten, S (Ν). Entropi HF = 7,2224. (E) 1D kraftspektret S (f) plottes på en log-log skala som funktion af radial frekvens f. Den lineære fit er også vist (rød linje), hvilket resulterede i FD = 2,3037 for TP ROI.Arget = "_blank"> Klik her for at se større figur.

Figur 10
Figur 10. (A) En 128 x 128-pixel FP ROI, pixelstørrelse = 200 um. ROI forårsagede en FP node skyldes overlappende og / eller krydsende normale strukturer. Node værdi = 0,0349. (B) 2D Fourier log-power spektrum S (v u) opnået efter anvendelse af von Hann vinduet og nul polstring ROI til 256 x 256 pixels. (C) Kraftspektret i (f, Ν) plads. Den vandrette akse svarer til vinklen Ν fra 0 ° til 179 ° og den lodrette akse svarer til radial frekvens fra 0,02 mm -1 til 2,50 mm -1. Den øverste venstre hjørne pixel svarer til frekvens på 0,02 mm -1 og vinkel på 0 °. En bl ack ramme er blevet anvendt til spektret. (D) Vinkel spredning af strømmen, S (Ν). Entropi HF = 6,9444. (E) 1D kraftspektret S (f) plottes på en log-log skala som funktion af radial frekvens f. Den lineære fit er også vist (rød linje), hvilket resulterede i FD = 2,5223 for FP ROI. Klik her for at se større figur .

Figur 11
Figur 11. Froc kurve, der viser påvisning udførelsen af de foreslåede funktioner.

oad/50341/50341fig12highres.jpg "/>
Figur 12. Endelig mærkning af ROI'er for det oprindelige mammografi i figur 2 viste. De mistænkelige ROIs opdages på et tidligere stadium af forarbejdningen, er vist i figur 7.. Rektangler, der er skitseret i grøn repræsenterer TP ROI'er i den afsluttende fase af analysen og de resterende rektangler skitseret i gult repræsentere rammeprogrammer eller falske alarmer. Rektanglet i rødt angiver det område på arkitektonisk forvrængning præget af radiologen til denne undersøgelse, denne information ikke blev brugt i leave-one-patient-out procedure, der anvendes i den foreliggende sag og ikke ville være til rådighed i en fremadrettet anvendelse af foreslåede metoder.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Vi har præsenteret en række avancerede teknikker til digital billedbehandling og mønstergenkendelse, også kendt som machine learning og CAD, til påvisning af arkitektonisk forvrængning i tidligere mammografi af interval-kræfttilfælde. Metoderne er baseret på en analyse af de orienterede stoflige mønstre til stede i mammografi billeder. Vores metoder, herunder flere flere funktioner foreslået i vores relaterede værker, er i stand til at opdage tidlige tegn på brystkræft 15 måneder forud for tidspunktet for klinisk diagnose, i gennemsnit, med en følsomhed på 80% ved mindre end 4 fps / patient 22 58.

I en potentiel klinisk anvendelse, bør ROIs mærket af vores procedurer ses som prompter til omhyggelig inspektion af de tilsvarende områder af mammografi af radiologen. Den endelige beslutning om tilstedeværelse eller fravær af brystkræft skal foretages af radiologen, der kan anmode om yderligere billeddiagnostiske procedurer ellerkliniske tests for at verificere eller bekræfte mistanken er rejst af mammografi og CAD.

Selvom vores metoder har givet spændende resultater i den foreliggende retrospektiv undersøgelse, de er endnu ikke klar til klinisk anvendelse. Metoderne tager omkring 6 minutter pr billede på en Dell Precision PWS 490 arbejdsstation med Quad Intel Xeon-processorer opererer på 3,0 GHz, med 12 GB RAM, beregningsmæssige krav skal reduceres med optimal gennemførelse af computer-kode. Resultaterne er sammenlignelige med eller lidt bedre end dem rapporteret i undersøgelser af arkitektonisk forvrængning med kommercielt tilgængelige CAD-systemer 18,59,60, med den sondring, at den nuværende arbejde er baseret på forudgående mammografi. Antallet af rammeprogrammerne skal reduceres til omkring en per patient med en tilhørende følsomhed på mindst 80%.

Findes begrænsninger i vores arbejde i form af de typer af arkitektonisk forvrængning opdaget af de anvendte modeller. Metoderne skal være tested med større datasæt. De parametre, der anvendes i de metoder, der er blevet empirisk fastlagt i den nuværende arbejde, skal optimeres i forhold til de særlige kendetegn ved mammografi i en given datasæt, der skal analyseres. Vi forventer, at vores procedurer for at føre til bedre resultater med direkte digitale mammografi og bryst tomosynthesis billeder end dem, der opnås med scannede screen-film billeder som i nærværende arbejde.

Konklusion

Vores metoder viser lovende i afsløring af arkitektoniske forvrængning og brystkræft på tidlige stadier. Yderligere arbejde er nødvendigt for at opnå detektering af arkitektonisk forvrængning med høj følsomhed og lav FP satser.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ikke noget at afsløre.

Acknowledgments

Dette arbejde blev støttet af tilskud fra Collaborative Research and Training Experience Programme (CREATE) og en Discovery Grant fra naturvidenskab og Engineering Research Council (NSERC) i 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

Medicine anatomi fysiologi Cancer Biology kantet spredning arkitektonisk forvrængning brystkræft Computer-Assisted Diagnose computerstøttet diagnose (CAD) entropi fraktioneret Brownsk bevægelse fraktal dimension Gabor filtre Image Processing Medicinsk Informatik node kort orienteret tekstur Mønstergenkendelse fase portrætter tidligere mammografi spektralanalyse
Påvisning af Architectural Distortion i Prior Mammografi<em&gt; Via</em&gt; Analyse af orienteret Mønstre
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