Waiting
Login processing...

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

Medicine

Detectie van Architectural Distortion in Prior mammogrammen 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

We tonen methoden voor de detectie van architecturale vervorming in voorgaande mammogrammen. Georiënteerde structuren worden geanalyseerd met behulp van Gabor filters en faseportretten naar sites van uitstralende weefsel patronen te detecteren. Elke site wordt gekenmerkt en geclassificeerd met behulp van maatregelen om spiculating patronen vertegenwoordigen. De methoden moeten bij het opsporen van borstkanker.

Abstract

We tonen werkwijzen voor de detectie van architecturale verstoring in voorgaande mammogrammen interval-kankergevallen gebaseerd op een analyse van de oriëntatie van borstweefsel patronen in mammogrammen. Onze hypothese is dat architectonische vervorming wijzigt de normale richting van het borstweefsel patronen in mammografische beelden voordat de vorming van massa's of tumoren. In de eerste stappen van onze werkwijzen worden de georiënteerde structuren in een bepaalde mammogram geanalyseerd met Gabor filters en faseportretten naar knooppunt-achtige plaatsen van uitstralend of weefsel snijdende patronen detecteren. Elke gedetecteerde locatie wordt vervolgens gekarakteriseerd met behulp van het knooppunt waarde fractale dimensie en meting van hoekige spreiding specifiek ontworpen spiculating patronen geassocieerd met architecturale vervorming vertegenwoordigen.

Onze methoden werden getest met een database van 106 voorafgaande mammogrammen van 56 interval-gevallen van kanker en 52 mammogrammen van 13 normale gevallen gebruik van de functies ontwikkeld voor dekarakterisering van architecturale vervorming, patroonherkenning via kwadratische discriminantanalyse, en validatie met de leave-one-patiënt out procedure. Volgens de resultaten van vrije respons receiver operating characteristic analyse hebben onze werkwijze de mogelijkheid om architecturale verstoring detecteren voorafgaande mammogrammen aangetoond voor klinische diagnose van borstkanker 15 maanden (op het gemiddelde) genomen, met een gevoeligheid van 80% bij ongeveer vijf valse positieven per patiënt.

Introduction

Borstkanker is een belangrijke ziekte die vrouwen en is de tweede belangrijkste oorzaak van kanker-gerelateerde sterfte onder vrouwen 1,2. Om de overlevingskans en de prognose van de getroffen patiënten met effectieve behandeling in een vroeg stadium van borstkanker te verbeteren, de ziekte moet zo snel mogelijk worden gedetecteerd. In een retrospectieve analyse van de gevallen van borstkanker, zijn subtiele tekenen van afwijkingen waargenomen op eerder verworven onderzoeksmammogrammen 3,4. Architectural vervorming zo'n gelokaliseerde mammografische teken van mogelijk vroege stadia van borstkanker die moeilijk te detecteren 5,6. De bijbehorende patronen zijn vaag omschreven als een verstoring van de normale architectuur van de borst met geen definitieve massa zichtbaar. Architecturale verstoring kan optreden in de beginfase van de vorming van een borst massa of tumor. Onze hypothese is dat onderzoeksmammogrammen verkregen voorafgaand aan de opsporing van borstkanker could bevatten subtiele symptomen van de vroege stadia van borstkanker, in het bijzonder architecturale vervorming.

Figuur 1a toont een bekende mammografische beeld van een geval van door screening opgespoorde kanker. De regio van stoornissen geïdentificeerd door een radioloog (JELD) wordt geschetst met een rode rechthoek. De voorafgaande mammogram werd genomen 24 maanden voor de detectie mammogram in figuur 1b. De voorafgaande mammogram was vrij verklaard zijn van tekenen van kanker te zijn op het oorspronkelijke exemplaar van de screening. In retrospectieve analyse en vergeleken met de detectie mammogram, een verdacht gebied tot de plaats van kanker ontdekt werd gelabeld door de radioloog, en in rood van de voorafgaande mammogram. De verdachte gebied bevat tekenen van architecturale vervorming, met inbegrip van spicules.

Computerondersteunde diagnose (CAD) technieken en systemen bieden mogelijkheden voor het bereiken van verhoogde gevoeligheid bij de detectie van Breast kanker 2,7-9. In vergelijking met het aantal publicaties die bestaan ​​in de literatuur op de detectie van andere tekenen van borstkanker, zoals massa en verkalkingen, slechts een klein aantal studies gerapporteerd op de detectie van architecturale verstoring in afwezigheid van een centrale massa van 10-17. Commercieel verkrijgbare CAD systemen bleken slecht presteren bij de detectie van architecturale vervorming 18. Studies over de detectie van architecturale vervorming in voorgaande mammogrammen van screen-detected of interval-kankergevallen 3,4,19-22 kunnen helpen bij het ​​ontwikkelen van strategieën voor de opsporing en behandeling van borst-ziekten in een vroeg stadium, en leiden tot verbetering van de prognose voor de patiënt 23.

Voorbereiding van Beelden voor de Experiment

Experimenten werden uitgevoerd met 158 ​​mammografische beelden waarvan 106 vóór mammogrammen van 56 mensen gediagnosticeerdmet borstkanker en 52 beelden van 13 normale individuen. Ethiek goedkeuring voor de studie werd verkregen van de Vereend Health Research Ethics Board, Office of Medical Bio-ethiek, Universiteit van Calgary en de Calgary Regional Health Authority. De beelden zijn afkomstig van Screen Test: Alberta programma voor de vroegtijdige opsporing van borstkanker 21,24,25.

Mammogrammen verworven in de laatste geplande bezoek aan het bevolkingsonderzoek voorafgaand aan de diagnose van kanker buiten het bevolkingsonderzoek werden bestempeld als voorafgaand mammogrammen van interval-kankergevallen. De bijbehorende diagnostische mammogrammen niet beschikbaar waren. Alle, maar twee van de 106 voorafgaande mammogrammen was vrij verklaard zijn van enig teken van borstkanker te zijn op het tijdstip van verwerving en analyse aan het bevolkingsonderzoek, de individuen die overeenkomt met de andere twee mammogrammen verwezen voor biopsie. Het tijdsinterval tussen de diagnose van kanker en voorafgaande mammogrammen varieerde van 1,5 maands tot 24,5 maanden, met een gemiddelde van 15 maanden en de standaardafwijking van 7 maanden. Alle voorgaande mammogrammen interval-kankergevallen in de database zijn opgenomen in deze studie, behalve zes beelden waarin geen verdacht onderdelen kan worden geïdentificeerd.

Het scherm-film mammogrammen werden gedigitaliseerd op de ruimtelijke resolutie van 50 micrometer en grijs-schaal resolutie van 12 bits per pixel met de Lumiscan 85 laserscanner (Lumisys, Sunnyvale, CA). Een deskundige radioloog gespecialiseerd in mammografie (JELD) beoordeeld alle 106 voorgaande mammogrammen van interval-gevallen van kanker en markeerde de verdachte gebieden van architecturale vervorming met rechthoekige dozen op basis van de beschikbare rapporten op latere beeldvorming of biopsie, of met een grondige controle van de mammogrammen . Van de 106 voorafgaande mammografische beelden in de dataset die in de onderhavige studie, 38 beelden hebben zichtbare architecturale vervorming, en de resterende 68 beelden bevatten twijfelachtige of geen duidelijk evident architecturale vervorming. Elke voorgaande mammogram bevat een enkele site van architecturale vervorming zoals aangegeven door de rechthoekige doos getrokken door de radioloog. De gemiddelde breedte, lengte en oppervlakte van de 106 verdachte delen van beelden gekenmerkt door de radioloog zijn 56 mm, 39 mm en 2274 mm 2, met standaarddeviatie van 11,8 mm, 11,6 mm en 1073,9 mm 2 resp.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Overzicht van Methodologie

In onze procedure, zijn mogelijke plaatsen van architecturale vervorming in mammogrammen automatisch gedetecteerd via analyse van georiënteerde textuur patronen met de toepassing van een bank van Gabor filters 26 en modellering van fase portretten 11,27. De gedetecteerde sites worden vervolgens verwerkt door de stappen van de winning van functies of maatregelen om architecturale vervorming, de ontwikkeling van een getrainde classifier, en de toepassing van een algoritme voor patroonherkenning of classificatie karakteriseren. De procedure is samengevat door de volgende stappen 11,20,21:

  1. Segment de borst gedeelte in de gegeven mammografische beeld met behulp van adaptieve thresholding en morfologische opening.
  2. Breng een set van 180 Gabor filters met hoeken gelijkmatig verdeeld over het bereik -90 ° tot +90 ° aan het imago van de Gabor magnitude verkrijgen, M (i, j), en het imago van de Gabor hoek, θ(I, j), door het selecteren van de respons en de hoek van het filter met de hoogste respons op elke pixel (i, j).
  3. Selecteer kromlijnige structuren (CLSS) van belang, zoals spicules en fibroglandulair weefsel, door hen onderscheiden van storende structuren, zoals de randen van de borstspier, parenchymweefsel, borst-grens, en lawaai, door het gebruik van het veld oriëntatie, de gradiënt veld, de nonmaximal onderdrukking (NMS) techniek en de aanvullende voorwaarden 11.
  4. Filter de veldoriëntatie met een Gauss filter met de standaardafwijking van 7 pixels en down-sample met een factor vier tot ruis en andere berekeningsvereisten 11,20 verminderen.
  5. Solliciteer lineaire fase-portret modellering, met een glijdende analyse raam van 10 x 10 pixels bij 800 micrometer / pixel, met een pixel per stap, de gefilterde oriëntatie veld, onder specifieke voorwaarden fase-portret kaarten met betrekking tot bepaalde soorten te selecteren knooppunt patterns 11,20.
  6. Stem uitbrengen, indien aan bepaalde voorwaarden is voldaan, op de locatie die door het vaste punt voor elke positie van de analyse-venster naar het knooppunt kaart vormen.
  7. Filtreer het knooppunt kaart met een Gaussische vensterfunctie grootte 35 x 35 pixels, met empirisch bepaald standaardafwijking van 6 pixels (4.8 mm) te stemmen consolideren in dichte nabijheid van elkaar.
  8. Analyseer het knooppunt kaart door-rank bestellen van de pieken in het knooppunt kaart.
  9. Knippen gebieden plaats (ROI), grootte 128 x 128 pixels behalve aan de randen van de originele afbeelding met het midden van elke ROI in het midden van de betreffende piek in het knooppunt kaart. Aan de randen van het beeld wordt verwerkt, maakt ROI om zoveel mogelijk van de beeldgegevens zoals in de gegeven window omvatten.
  10. Ontlenen functies of maatregelen om de spiculating patronen in verband met architectuurontwerp vervorming karakteriseren en ze te scheiden van normaal weefsel patronen die sommige van de oorspronkelijke voorwaarden voldaan.
    11. <li> Ontwikkel een getrainde classifier te maken tussen de kenmerken van de sites met architecturale vervorming en die van normaal weefsel patronen met behulp van een training set van ROI geclassificeerd door een radioloog.
  11. Breng de getrainde classifier om een ​​set van testgevallen en controleer de resultaten met de diagnose die door de radioloog en op basis van biopsie.

Stappen 1-9 hierboven genoemde worden automatisch toegepast op een gegeven mammografische afbeelding. Geselecteerde stappen van bovenstaande werkwijze zijn beschreven en geïllustreerd in de volgende secties.

2. Preprocessing van de mammografische afbeeldingen toe

De voorbewerking fase bestaat uit de volgende stappen:

  1. Filter de gegeven mammografische beeld met een Gauss filter, met een standaarddeviatie van 2 pixels en afmetingen van 13 x 13 pixels met de resolutie van 50 micrometer / pixel en 12 bits / pixel en down-monster tot 200 micrometer / pixel en 8 bits / pixel resolutie.
  2. Reflecterende afbeelding indien ze is van de rechter borst.
  3. Segment de borst regio in de mammografische beeld met behulp van adaptieve thresholding methode Otsu en morfologische opening met een schijfvormige structurerend element van de straal van 25 pixels (5 mm bij 200 micrometer / pixel) 21,28,29.
  4. Detecteren de geschatte borst grens 10,21.

Figuur 2A toont een origineel voorafgaande mammogram. Figuur 2B van dezelfde figuur toont de resultaten van de segmentatie van het borststuk, die wordt gebruikt in de volgende stappen van verwerking en analyse benadering.

3. Extractie van Oriented Patronen door Gabor filters

De echte Gabor filter functiegerichte bij -90 ° wordt opgegeven in ons werk als 10,30:

Vergelijking 1
waar & #963, x en y σ de standaardafwijking waarden in de x en y richtingen en ƒ o is de frequentie van de modulerende sinusoïde. Filters op andere hoeken worden verkregen door het draaien van deze functie gebruik te coördineren transformatie als:

Vergelijking 2 supplement
waar (x ', y') is de set coördinaten gedraaid door de hoek α.

De parameters in Vergelijking 1 voor het filteren mammogrammen als volgt 10 verkregen in ons werk inachtneming van de gemiddelde grootte van het borstweefsel patronen te detecteren:

  1. Laat Τ als volle breedte bij halve maximum van de Gauss term in vergelijking 1 langs de x-as.
  2. Laat Τ = 4 pixels, corresponderend met een dikte van 00,8 mm aan de pixelgrootte van 200 urn.
  3. Berekenen Vergelijking 3.3 .
  4. Laat de periode van de cosinus term Τ, vandaar ƒ o = 1 / Τ.
  5. Laat de waarde van σ y gedefinieerd als y = σ lσ x, waarbij l bepaalt de verlenging van de Gabor filter in de y-richting ten opzichte van de breedte van het filter in de x richting. Voor de analyse van mammogrammen bij 200 micrometer / pixel, gebruik l = 8.

Een bank van 180 echte Gabor filters gelijkmatig verdeeld over het bereik -90 ° tot +90 ° wordt gebruikt in onze werkwijzen voor de detectie van georiënteerde patronen in mammogrammen 10, 21. Voor elk gegeven beeld, een Gabor magnitude, M (i, j), en beeld Gabor hoek, θ (i, j), worden verkregen met behulp van de respons en de hoek van the Gabor filter met de hoogste respons op elke pixel (i, j).

De Gabor filter heeft een nul grootte reactie op het ontstaan ​​van het frequentievlak (frequentie nul). Aangezien laagfrequente componenten niet zijn gerelateerd aan de aanwezigheid van architecturale vervorming, is het wenselijk om het effect van de lage frequentiecomponenten van de mammografische beeld in de oriëntatie veldgrootte verminderen. Daarom is de mammografische beelden zijn high-pass gefilterd voorafgaand aan de extractie van het veld oriëntatie. Dit wordt bereikt door het verschil tussen het oorspronkelijke beeld en een laag-door gefilterde versie van dezelfde afbeelding. Het laagdoorlaatfilter gebruikt in deze stap is een Gauss filter met de standaarddeviatie gelijk aan σ y zoals hierboven gedefinieerd.

Hoewel men de gefilterde afbeelding zou kunnen besparen voor elke hoek van belang, in het huidige werk, de maximale respons op elke pixel over alle van de filters (hoeken) gebruikt wordtopgeslagen in een beeld, genoemd de Gabor grootte reactie; de ​​overeenkomstige hoek van de Gabor filter wordt opgeslagen bij elke pixel in een beeld, genoemd de Gabor hoek respons. Samen hebben de twee de beelden zorgen voor de oriëntatie gebied van de gegeven afbeelding.

Figuur 3A toont een testbeeld van een plant. Figuur 3B toont de Fourier spectrum van het beeld, waarin de concentraties van energie geeft bij verschillende hoeken. Alle delen van het beeld met dezelfde oriëntatie, ongeacht hun positie en grootte, hun frequentiecomponenten (spectrale energie) in een hoek band of sector gepositioneerd bij 90 ° ten opzichte van hun oriëntatie in de afbeelding. De resultaten van filteren van het beeld met Gabor filters met Τ = 8 pixels en l = 8 weergegeven in figuren 3C en D. Het is duidelijk dat de Gabor filters plantendelen georiënteerd onder verschillende hoeken met hoog mag zijn geëxtraheerdnitude reactie en dat de hoek respons overeenkomt met de oriëntatie van de dominant bij het bijbehorende beeldelement. Door het gebruik van een bank van Gabor filters gericht op verschillende hoeken in het bereik -90 ° tot +90 °, hebben we allemaal van de georiënteerde componenten aanwezig in het beeld en de hoeken bij elke pixel gewonnen. Het is duidelijk dat de reactie van de Gabor filters bijna nul gladde gebieden met dezelfde intensiteit en geen structuren voorkeursrichting, zoals delen van de pot en de muur.

Figuur 4 toont de Gabor omvang en de hoek respons verkregen voor de mammogram met architectonische vervorming in figuur 2B. Het is duidelijk dat de Gabor filters georiënteerde componenten met een hoge respons en de bijbehorende hoeken hebben gewonnen. Het is ook gezien dat de reactie van de Gabor filters laag in gladde gebieden met nagenoeg constante dichtheid en geen structuren voorkeur oriëntatietie. Bij nadere inspectie kan ook worden opgemerkt dat de reactie van de Gabor filters afhankelijk van het contrast van een gerichte structuur ten opzichte van de achtergrond en niet alleen de dichtheid of helderheid. Deze resultaten worden verklaard door de aard van het bandpass Gabor filters.

4. Selectie kromlijnige structuren

Mammogrammen bevatten veel Clss gevonden volgens leidingen, vaten, ligamenten, parenchymweefsel en randen van de borstspier. Bepaalde afwijkingen in mammogrammen kunnen worden gekenmerkt door de aanwezigheid van bepaalde CLS, zoals spiculated massa 12,31,32 en 10,11,33 architecturale vervorming of door asymmetrische structuur van de georiënteerde structuur in de borst afbeelding 34. Anderzijds, bepaalde typen laesies, zoals omschreven massa kan worden verduisterd door verscheidene Clss bovenop de laesies in de geprojecteerde mammografische beeld; het verschijnen van deze laesies kunnen worden altEred en kan leiden tot vals-negatieve detectie of verkeerde diagnose. Analyse van de Clss aanwezig in mammogrammen kunnen de prestaties van algoritmes verbeteren de detectie van spiculated massa en architectonische vervorming, zoals voorgesteld door Zwiggelaar et al.. 35. Daarom is de identificatie van Clss is een belangrijke stap bij de detectie van architecturale vervorming.

Hoewel de Gabor filterbank in dit werk is gevoelig voor lineaire structuren zoals spicules en vezels, detecteert ook andere sterke randen, zoals randen van de borstspier, randen van de parenchymale weefsel en vaatwanden, zoals georiënteerde structuren . Sterke randen rond de fibroglandulair schijf 36 kan worden gebruikt bij het ​​opsporen van een bepaalde vorm van architectonische vervorming 37 bekend als focal intrekken. In dit werk, is het belangrijk dat alleen Clss familie van fibroglandulair weefsels worden geïdentificeerd als georiënteerde functies.

  1. Segment op de borsten in een bepaalde mammogram, zoals beschreven in hoofdstuk 2.
  2. Detecteren kern CLS pixels door het toepassen van de NMS techniek 35,38 op de foto om de Gabor magnitude reactie.
  3. Verwerpen Clss pixels op locaties met een sterke gradiënt 33.

De NMS algoritme identificeert kern CLS pixels door het vergelijken van elke pixel in grootte respons beeld met zijn buren langs de richting die loodrecht staat op de lokale oriëntatie veldhoek, zie Figuur 5. Indien de onderzochte pixel een grotere omvang dan de overeenkomstige waarde buren, de pixel is een kern CLS pixel. NMS is een gebruikelijke stap in vele randdetectie (zoals de Canny edge detector 39). Zwiggelaar et al.. NMS 35 gebruikt voor de detectie van CLS pixels op dezelfde wijze als beschreven in dezesectie.

De aanwezigheid van een sterke gradiënt kan een rimpel veroorzaken de Gabor omvang reactie, waardoor een foutieve detectie van een CLS. De kern CLS pixels geassocieerd met de aanwezigheid van sterke gradiënten worden verworpen door de door Karssemeijer en te Brake 12 voorgesteld in de context van ontdekking van spiculated laesies criteria. De gradiënt van de mammografische beeld wordt verkregen met de eerste afgeleide van een Gauss met een standaardafwijking van vijf pixels (1 mm). Voor elk monster CLS pixel, wordt de richting van de helling ten opzichte van de richting van het veld oriëntatie. Als het verschil tussen de richting van het veld oriëntatie en de richting loodrecht op de helling kleiner is dan 30 °, is de overeenkomstige kern CLS pixel weggegooid.

De CLSS binnen de fibroglandulair schijf typisch bezitten verminderd contrast in vergelijking met de Clss buiten de fibroglandulair schijf. Bijgevolg is de Clss binnen de fibroglandular schijf hebben kleinere Gabor magnitude respons waarden dan de Clss buiten de schijf. Om hetzelfde gewicht toekennen aan alle CLS pixels onafhankelijk van locatie, en de detectie van de desbetreffende Clss met weinig contrast, zoals spicules binnen fibroglandulair schijf waarborgen, wordt de magnitude veld M (i, j) vervangen voor verdere verwerking door een beeld samengesteld uit slechts kern CLS pixels, M CLS (i, j), als volgt gedefinieerd:

Vergelijking 3
Het beeld M CLS (i, j) brengt belangrijke informatie over de aanwezigheid van Clss. Figuur 6 toont de resultaten van CLS selectie met een volledige mammogram en een ROI. Door de aanwezigheid van architecturale verstoring wordt aangeduid door de geometrische opstelling van de geassocieerde Clss plaats van hun dichtheid en sterkte, de magnitude van de gedetecteerde Clss van mindere betekenis dan de ruimtelijke inrichting van de georiënteerde structuren.

5. Detectie en etikettering van verdachte sites via analyse van fase Portretten

Rao en Jain 40 ontwikkelde een methode voor de analyse van georiënteerde structuur in beeld door het te associëren de overeenkomstige gradiënt oriëntatie veld met de verschijning van faseportretten. Een fase verticaal stelsel van twee lineaire eerste-orde differentiaalvergelijkingen toont de mogelijke trajecten van de toestandsvariabelen 27.

Zij p (t) en q (t), t ISIN Symbol R, stellen twee differentieerbare functie van de tijd t, als aanverwante

Vergelijking 3
Hier• p (t) en q • (t) de eerste-orde afgeleiden met betrekking tot tijd en F en G zijn functies van p en q 10. Gezien de beginwaarden p (0) en q (0), de oplossing [p (t), q (t)], kan worden weergegeven in de vorm van een parametrische traject of stroomlijnen van een hypothetisch deeltje in de (p, q ) vlak. Het deeltje is geplaatst op [p (0), q (0)] op tijdstip t = 0 en beweegt door de (p, q) vlak met de snelheid [p • (t) en q • (t)]. De (p, q) vlak is bekend als de fase vlak van het systeem. Een fase plaatje is een grafiek van de mogelijke trajecten van een deeltje in het fasevlak. Een vast punt is een punt in de fase vlak waar p • ( m> t) = 0 en q • (t) = 0. Een deeltje links op een vast punt blijft staan. Voor een affiene systeem, hebben we

Vergelijking 4
Hier, A een 2 x 2 matrix en b een 2 x 1 kolommatrix. Het centrum (p 0, q 0) van de fase portret wordt gegeven door het vaste punt als

Vergelijking 5
Als we associëren de functie p (t) en q (t) met de x en y coördinaten van het vlak van het beeld wordt verwerkt, het overeenkomstige oriëntatie veld

res.jpg "width =" 500 "/>
Hier Φ (xy) is de hoek van de snelheidsvector [p • (t), q • (t)] ten opzichte van de x as (x, y) = [p (t), q (t)] . We associëren Φ (xy) met de Gabor hoek respons θ (i, j), en bepalen een foutfunctie geminimaliseerd worden

Vergelijking 7
waarbij [a, b] en [c, d] zijn de twee rijen A. De laatste termijn voorziet in een hogere boete (kosten) voor de afwijking in configuraties van de matrix A uit die verband houden met spiculated knooppunt patronen. De bovenstaande vergelijking stelt Φ (xy) op een discrete rooster (i, j) in plaats van de continue ruimte (x, y). Estimates van A en B die ε 2 minimaliseren (A, b) worden verkregen door de volgende procedure:

  1. Verkrijgen eerste schattingen van A en B door de minimalisering van ε 2 (A, b) met behulp van de gesimuleerde annealing methode 41.
  2. Het verkrijgen van de optimale ramingen van het verfijnen van de oorspronkelijke ramingen met behulp van een niet-lineaire kleinste-kwadraten algoritme 42.

In het hierboven beschreven type, zijn er drie mogelijke soorten faseportretten: knooppunt zadel en spiraal. Het type fase plaatje wordt bepaald door de eigenwaarden van A 10,27,30,40. De oriëntatie veld van een geweven beeld kan worden beschreven door het bepalen van de aard van de fase plaatje dat het meest lijkt op de oriëntatie veld. Omdat spiraalvormige patronen niet plaats bij de analyse vanmammogrammen, beperken we de matrix A symmetrisch te zijn, wat resulteert in slechts twee soorten faseportretten: knooppunt en zadel.

Vanwege de verwachte aanwezigheid van een aantal spicules verschillende hoeken die krijgen gesuperponeerd het geprojecteerde mammografische beeld, veronderstellen we dat een gebied van architecturale verstoring presenteert knoop-achtige kenmerken. Echter, kon de normale weefsels, leidingen, vaten, en andere gerichte structuren in de borst krijgen ook geprojecteerd en bovenop om patronen die het uiterlijk van architecturale vervorming in een mammogram nabootsen vormen. Daarom analyseren we de knoop kaart voor de detectie van verdachte sites of potentiële locaties van architecturale vervorming, en analyseren van de gedetecteerde sites via verdere stappen van feature extractie en patroonherkenning.

Omdat een mammogram verschillende patronen kunnen vertonen, passen we een glijdende analyse raam van 10 x 10 pixels, bij 800 micrometer / pixel, met one pixel per stap. Voor elke positie van het venster wordt een stem uit te brengen in een kaart, aangeduid als het knooppunt kaart, op de locatie die door de desbetreffende vaste punt, als alle van de toegepaste voorwaarden is voldaan. Resultaten met betrekking tot de matrix A met zijn toestand groter dan 3,0 worden afgewezen patronen verwachting niet geassocieerd met architecturale 11 verstoring negeren. Bovendien is een bijkomende voorwaarde waaraan de afstand tussen een vast punt en de positie van de corresponderende analysevenster: indien de afstand minder dan drie pixels (2,4 mm) of groter dan 20 pixels (16 mm), de resultaten van de huidige analyse venster worden geweigerd. De grootte van de stemming is gelijk aan de verhouding van de passingsmaat ε 2, (A, b), gedefinieerd in vergelijking 7, de conditionering van A, de isotropie van het fase plaatje benadrukken. Het knooppunt kaart wordt vervolgens geanalyseerd om loc detecterenal maxima of pieken die naar verwachting naar sites van architecturale vervorming geven. De procedure resulteert ook in de detectie van een aantal fout-positieve (FP) plaatsen door gesuperponeerd normale structuren.

Bij elke piek in het knooppunt kaart, automatisch extraheren we een ROI, grootte 128 x 128 pixels behalve aan de randen van de beelden van de mammografische beeld 200 micrometer / pixel. We etiket van de ROI op het door de pieken in het knooppunt kaart, in afnemende volgorde van de waarden van de pieken, tot een maximum van 30 ROI per mammogram.

Wanneer mammogrammen met bekende diagnoses worden gebruikt om onze procedure te trainen, het automatisch gedetecteerd ROI met hun centra binnen de onderdelen van de architectonische vervorming geïdentificeerd door de radioloog zijn gelabeld als true-positieve (TP) ROI, de anderen zijn gelabeld als FP ROI's voor gebruik in de opleiding procedure. Wanneer een mammogram wordt geanalyseerd met de getrainde procedure alle ROI ontdekt eens hierboven verwerkt voor indeling zonder etikettering.

Figuur 7 toont het knooppunt kaart en gedetecteerd volgens figuur 2B mammogram ROI. De rode rechthoeken geven het verdachte gebied gemarkeerd door de radioloog.

Figuur 8 toont een aantal TP en FP ROI automatisch uit meerdere mammogrammen. De meeste TP ROI meerdere spicules en georiënteerd patronen verspreid over een aantal standen. De FP ROI, anderzijds, een kleiner aantal normale weefselstructuren gericht op een smaller gebied van hoeken, ongeacht vanwege hun superpositie in het geprojecteerde mammografische beeld, zij bootsen de knooppunt-achtige kenmerken architecturale vervorming.

Onze strategie is om verdachte gebieden op te sporen met een hoog rendement of de gevoeligheid in de eerste fase (met navenant lage valse negatieven), zelfs als het bijbehorende nummer van KP's is groot. De volgende stap van de analyse van de ROI is ontworpen om te helpen verminderen de KP via efficiënte karakterisering en classificatie van de gedetecteerde ROI.

6. Karakterisering van Architectural Distortion

Een automatisch gedetecteerd ROI zoals architecturale vervorming, gecentreerd bij een piek in de gerelateerde knopenkaart, waarschijnlijk meerdere spicules verspreid onder verschillende hoeken bezitten. Wij verwachten dat deze eigenschap te leiden tot een brede hoekige spreiding van energie in het beeld domein en spectrale energie in de Fourier-domein. In ons voorgaande werk hebben we aangetoond dat dergelijke hoekige dispersie doelmatig in de vorm van een roos diagram, dat een hoek histogram 21,22 laten vertegenwoordigen. We normaliseren de roos diagram om oppervlakte-eenheid te hebben en behandelen als een kansdichtheidsfunctie (PDF). Dan, karakteriseren we de PDF van elk ROI mbv entropie, dat is een statistische maat van wanordelijkheden en verstrooien.

NHOUD "> De toegenomen spreiding van weefsel patronen in regio's met architecturale vervorming wijzigt de fractale aard van normaal borstweefsel. De meest gebruikte modellen van fractals zijn gebaseerd op multiscale geneste patronen van zelf-vergelijkbare patronen 43-46. ander model van fractal gedrag is fractionele Brownse beweging (FBM) die betrekking heeft op een spectrum in het frequentiedomein waar de kracht neemt evenredig met (1 / f) ^ β, waarbij f de frequentie en β is bekend als de spectrale component 47,48. Het FBM model leidt tot fractale afbeeldingen die lijken op willekeurige troebel patronen;. vergelijkbare patronen worden vaak gezien in mammogrammen Om dit model toegepast om beelden, de tweedimensionale (2D) Fourier spectrum van het beeld moet worden omgezet in een -dimensionale (1D) functie.

We hebben een geïntegreerde methode om hoekige verspreiding te karakteriseren en een schatting van de fractale dimen ontlenen ontwikkeldion (FD) van een beeld in kaart brengen van de 2D Fourier-spectrum van het beeld in rechthoekige coördinaten, aangeduid met S (u, v), met een spectrum in poolcoördinaten, aangeduid met S (ƒ, Ν). De procedure wordt beschreven door de volgende stappen 21:

  1. Breng het venster von Hann elk automatisch uitgepakt 128 x 128 ROI en het resultaat opgevuld met nullen tot een array van afmeting 256 x 256 pixels.
  2. Bereken de 2D Fourier-transformatie van de gecapitonneerde ROI en de grootte van elk resulterend complexe waarde een schatting van het vermogensspectrum S (u, v), van de ROI verkrijgen.
  3. Identificeer gekozen laagfrequente en hoogfrequente gedeelten van het spectrum voor uitsluiting in de volgende stappen.
  4. Wijs de 2D vermogensspectrum S (u, v) uit de cartesiaanse (rechthoekige) coördinaten (u, v) aan de polaire coördinaten (ƒ, Ν) naar S te verkrijgen (ƒ, Ν), door resampling en het berekenen van een gewogen gemiddelde van de vier buren van each punt voor radiale afstand f tussen nul en de helft van de bemonsteringsfrequentie, en over het bereik van de hoek Ν = [0, 179 °].
  5. Transformeer de 2D spectrum S (ƒ, Ν) in een 1D functie S (ƒ), door het integreren als een functie van de radiale afstand of frequentie f van nul frequentiepunt via bereik Ν = [0, 179 °] in hoek.
  6. Toepassing lineaire regressie een beperkte frequentiebereik van de 1D spectrum S (ƒ) op een log-log schaal, met uitzondering van punten in geselecteerde lage frequentie en hoge frequentie gebieden, en het verkrijgen van de helling β van de gemonteerde lijn, dat is een schatting de spectrale component in de FBM-model.
  7. Bereken de geschatte waarde van FD als 15,49,50 FD = (8 - β) / 2.
  8. Transformeer de 2D spectrum S (ƒ, Ν) in een 1D functie S (Ν) door integratie als functie van de hoek voor Νhet bereik [0, 179 °], van de nul-frequentie punt op radiale afstand ƒ = [1, 128] pixels.
  9. Normaliseren S (Ν) naar eenheid som hebben en berekenen de entropie van het resultaat als Vergelijking 6.9 .

De geometrische transformatie hierboven beschreven leidt tot een verbeterde weergave en visualisatie van de spectrale kenmerken van periodieke of spiculated structuur 9. Geselecteerde lage en hoge frequentiegebieden moeten worden uitgesloten om de effecten van de laagfrequente componenten over het algehele uiterlijk van het beeld en de grote structuren aanwezig in het beeld, en de effecten van hoogfrequente voorkomen verwijderen ruis. In het onderhavige werk, de frequentiebanden in de schatting van β en FD (de lineaire gedeelten) uitgesloten worden geselecteerd gebaseerd op experimenten met gesynthetiseerde beelden met bekende FD en ook met behulp van eenaantal ROI van mammogrammen. Het bereik van ƒ gebruikt om het lineaire model passen correspondeert met [6, 96] pixels of [0,117, 1,875] -1 mm, waarbij het ​​bereik van [1, 128] pixels correspondeert met discrete representatie van het frequentiebereik [0, 2,5 ] -1 mm.

Figuren 9 en 10 illustreren de verschillende stappen voor het fractal-analyse en de raming van de hoekige spreiding van het vermogen in het frequentie-domein voor een TP ROI en een FP ROI, respectievelijk. Figuur 9D wijst op het bestaan ​​van multidirectionele spiculating patronen voor de TP ROI, terwijl figuur 10D, wordt de spreiding van het vermogen beperkt tot een klein aantal hoekige banden voor FP ROI.

7. Patroon Classificatie en Validatie

We hebben nu drie maatregelen of voorzieningen voor elke ROI automatisch gedetecteerd: [knooppunt waarde, H F, FD], zoals beschreven in hoofdstuk 6. We maken gebruik van deze functies, individually en collectief, aan de spiculating patronen in verband met architectuurontwerp vervorming te karakteriseren en de TP ROI te onderscheiden van de FP ROI waargenomen.

Voor de TP ROI figuur 9, de functie vector bestaat uit de drie maatregelen verkregen is [0,0299, 7,2224, 2,3037]. Voor de FP ROI figuur 10, de corresponderende functie vector [0,0349, 6,9444, 2,5223]. Zoals verwacht, de H F-waarde is hoger voor de TP ROI dan de FP ROI en de waarde FD lager. De knoop waarde lager voor de TP ROI dan de FP ROI, die tegen de verwachte verschillen door de aanwezigheid van overlappende structuren laatstgenoemde. In het algemeen kunnen we verwachten dat een aantal van de functies aan de verwachte trends te volgen en te helpen bij de indeling van de ROI's ook al zijn andere functies niet het verwachte gedrag te tonen.

Om de prestaties van de functies te evalueren, Gebruiken we de oppervlakte onder de receiver operating characteristic (ROC) curve (AUC) 51,52 en gratis-respons ROC (Froc) analyse 53-55. Voor ROC en Froc analyse met een individuele functie, hebben we geen getrainde classifier gebruiken, in plaats daarvan hebben we een glijdende drempel van toepassing. De drie individuele kenmerken van knooppunt, FD, en H F voorwaarde AUC-waarden van 0,61, 0,59 en 0,64, respectievelijk, die goede mogelijkheden, maar niet voldoende prestaties in patroon classificatie te geven. De p-waarden van dezelfde functies zijn 1.7638e-009, 1.8793e-004, en 2.2615e-013, die statistisch zeer significante verschillen tussen hun waarden voor de reeksen automatisch gedetecteerd TP en FP ROI geven.

Wanneer grote aantallen functies worden gebruikt om monsters voor de indeling vertegenwoordigen, is het noodzakelijk om een optimale deelverzameling van functies selecteren om gecorreleerde verwijderen in en vermindering van de complexiteit van de classifier 20-22; meerdere procedgelen, zoals stapsgewijze logistische regressie 56 kan worden gebruikt voor dit doel. In het onderhavige werk, omdat we met behulp van slechts drie functies per ROI, we hebben geen feature selectie uit te voeren.

Validatie van de getrainde classifier te voeren, we het patroon procedures voor de indeling met de leave-one-patiënt-out benadering toe te passen. Wij sluiten alle van de ROI's geëxtraheerd uit de mammogrammen van de patiënt te testen van de opleiding procedure van de classifier, en vervolgens de classifier aldus verkregen om de testcase. We herhaal de procedure voor de gehele dataset, een geval of de patiënt op een moment.

Voor de ROC-analyse met de set van drie functies, maken we gebruik van een classifier die kwadratische discriminantanalyse met de Bayesiaanse veronderstelling 57 uitvoert. Om Froc krommen genereren, beschouwen we de TP ROI met de hoogste discriminant waarde in de twee mammografische afbeeldingen beschikbaar voor de patiënt, behalve in zes gevallen waarin slechts eenafbeelding is beschikbaar per geval.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

De drie functies, namelijk nodewaarde, FD en H F, mits AUC-waarden van 0,61, 0,59 en 0,64, respectievelijk, wanneer elke functie is als monotherapie. Gecombineerd gebruik van de drie functies die verbeterde prestaties met AUC = 0.70. De Froc kromme verkregen met de combinatie van de drie kenmerken wordt getoond in figuur 11, die een gevoeligheid van 80% op 5.6 KP / patiënt en 89% bij 7,5 KP / patiënt aangeeft. Gebruik van alleen het knooppunt waarde die een gevoeligheid van 80% bij 8,1 fps / patiënt en 89% bij 13,8 FPS / patiënt.

De vermindering van KP in het uiteindelijke resultaat wordt getoond in figuur 12. Omwille van de illustratie, zijn slechts zes ROI met de hoogste classificering weergegeven. De nummers buiten de haakjes geven de plaats door de discriminant verkregen waarden de Bayes classifier, de getallen tussen haakjes overeen met het eerder plaats door het knooppunt kaart. Het vergelijken trong> Figuur 12 met de eerste fase van detectie van verdachte ROI figuur 7 blijkt dat de elementen voor architecturale verstoring kenmerken hebben geleid tot een aanzienlijke vermindering van KP ten opzichte van de eerste fase van knooppunt analyse behoud goede detectiegevoeligheid. Dit is een zaak waar drie van de hoogst gerangschikte ROI hebben overlapt met het verdachte gebied van architectonische vervorming gekenmerkt door de radioloog, en vertegenwoordigt een geval van succesvol opsporen door onze procedure.

In een klinische toepassing, moet het aantal ROI wordt weergegeven in het eindresultaat worden bepaald afhankelijk van de gewenste gevoeligheid en aantal KP dat zou worden getolereerd, en de voorkeur van de radiologen.

oad/50341/50341fig1.jpg "/>
Figuur 1. (A) Een voorafgaande mammogram van formaat 1377 x 850 pixels bij 200 micrometer / pixel resolutie; (A) overeenkomt detectie mammogram van formaat 1374 x 850 pixels bij 200 micrometer / pixel resolutie, (C) vergroot gebied van architectonische vervorming in het beeld getoond in deel (A), van afmeting 39.2 mm x 21.8 mm; (D) vergroot gebied van architectonische vervorming in de in deel (B) beeld van de grootte van afmetingen 40,8 mm x 26,8 mm. De voorafgaande mammogram werd genomen 24 maanden voor de detectie mammogram. Dit is een geval van het scherm ontdekte borstkanker. Klik hier om een grotere afbeelding te bekijken.

41fig2highres.jpg "/>
Figuur 2. (A) Een voorafgaande mammogram van formaat 1377 x 850 pixels bij 200 micrometer / pixel resolutie;. (B) overeenkomend beeld na voorbewerking voor segmentatie van de borst regio benadering Klik hier om een grotere afbeelding te bekijken.

Figuur 3
Figuur 3. (A) Test afbeelding van een plant met een aantal gerichte delen, van afmeting 646 x 668 pixels; (B) Fourier amplitudespectrum van het plaatje van energie geconcentreerd op verschillende hoeken; (C) Gabor magnitude respons, en (D) Gabor hoek reactie . 180 Gabor filters werden gebruikt over het bereik van -90 ° tot +90 °, met Τ > = 8 pixels en l = 8. Klik hier om een grotere afbeelding te bekijken.

Figuur 4
Figuur 4. (A) Gabor magnitude en (B) hoek antwoorden voor het mammogram met architectonische vervorming figuur 2B, grootte van 1377 x 850 pixels bij 200 micrometer per pixel. 180 Gabor filters werden gebruikt over het bereik van -90 ° tot +90 °, met Τ = 4 pixels en l = 8. De rechthoek (rood of groen) geeft het gebied van architectonische vervorming gekenmerkt door de radioloog, van afmeting 47,6 mm x 29,9 mm. (C), (D) Vergrote uitzicht op de regio van architectonische vervorming.es/ftp_upload/50341/50341fig4highres.jpg "target =" _blank "> Klik hier om een ​​grotere afbeelding te bekijken.

Figuur 5
Figuur 5 De NMS techniek. De langwerpige rechthoek (grijs) duidt de aanwezigheid van een CLS. De vierkantjes geven pixels in een richting loodrecht op de oriëntatie van de CLS. De centrale groene plein geeft een kern CLS pixel.

Figuur 6
Figuur 6. NMS en CLS selectie resultaten overlay op het volledige mammografische afbeelding in figuur 2A. (A) NMS resultaten. (B) CLS selectieresultaten. De pixels in het wit gemarkeerd corresponderen met CLS pixels die worden bewaard voor verdere analyse. (C) NMS resultaten en (D) CLS selectie resulteert in een vergrote weergave van de ROI gemarkeerd in figuur 4A. Klik hier om een grotere afbeelding te bekijken.

Figuur 7
Figuur 7. (A) Node plan (b) ROI waargenomen de in figuur 2B mammogram. De mammografische beeld is van formaat 1377 x 850 pixels bij 200 micrometer per pixel. De omvang van het gebied van architectonische vervorming (rode rechthoek) gekenmerkt door de radioloog is 47.6 mm x 29.9 mm. Elk ROI is een grootte van 128 x 128 pixels, behalve aan de randen van de imleeftijd. Klik hier om een grotere afbeelding te bekijken.

Figuur 8
Figuur 8 Voorbeelden van (A) -. (C) drie TP ROI en (D) - (F) drie FP ROI. Elk ROI is van maat 128 x 128 pixels. De bijbehorende knooppunt waarden worden getoond. Klik hier om een grotere afbeelding te bekijken.

Figuur 9
Figuur 9. (A) Een 128 x 128 pixels TP ROI architecturale dis tortion; pixelgrootte = 200 micrometer. Node waarde = 0,0299. (B) De 2D Fourier log-vermogensspectrum S (u, v) wordt verkregen door toepassing van de von Hann venster en nul padding de ROI tot 256 x 256 pixels. (C) Het vermogensspectrum van de (f, Ν) ruimte. De horizontale as correspondeert met Ν hoek van 0 ° tot 179 ° en de verticale as correspondeert met radiale frequentie van 0,02 mm tot 2,5 mm -1 -1. De linker bovenhoek pixel overeenkomt met de frequentie van 0,02 mm -1 en de hoek van 0 °. Een zwart frame is toegepast op het spectrum. (D) hoekige spreiding van het vermogen, S (Ν). Entropy HF = 7,2224. (E) De 1D vermogensspectrum S (f) uitgezet op een log-log schaal als functie van de radiale frequentie f. De lineaire fit wordt ook getoond (rode lijn), wat resulteerde in FD = 2,3037 voor de TP ROI.Arget = "_blank"> Klik hier om een grotere afbeelding te bekijken.

Figuur 10
Figuur 10. (A) Een 128 x 128 pixels FP ROI; pixelgrootte = 200 urn. De ROI veroorzaakte een FP knooppunt als gevolg van overlappende en / of kruisende normale structuren. Node waarde = 0,0349. (B) De 2D Fourier log-vermogensspectrum S (u, v) wordt verkregen door toepassing van de von Hann venster en nul padding de ROI tot 256 x 256 pixels. (C) Het vermogensspectrum van de (f, Ν) ruimte. De horizontale as correspondeert met Ν hoek van 0 ° tot 179 ° en de verticale as correspondeert met radiale frequentie van 0,02 mm tot 2,50 mm -1 -1. De linker bovenhoek pixel overeenkomt met de frequentie van 0,02 mm -1 en de hoek van 0 °. Een bl ack lijst is toegepast op het spectrum. (D) hoekige spreiding van het vermogen, S (Ν). Entropy HF = 6,9444. (E) De 1D vermogensspectrum S (f) uitgezet op een log-log schaal als functie van de radiale frequentie f. De lineaire fit wordt ook getoond (rode lijn), wat resulteerde in FD = 2,5223 voor de FP ROI. Klik hier om een grotere afbeelding te bekijken .

Figuur 11
Figuur 11. Froc curve die de detectie prestaties van de voorgestelde functies.

oad/50341/50341fig12highres.jpg "/>
Figuur 12. Eindetikettering van ROI voor de originele mammogram figuur 2. De verdachte ROI gedetecteerd in een vroeger stadium van verwerking worden getoond in figuur 7. De in groene rechthoeken geven TP ROI's in de laatste fase van de analyse, de overige rechthoeken geschetst in geel vertegenwoordigen KP of vals alarm. De rechthoek in rood geeft op gebied van architectonische vervorming gekenmerkt door de radioloog voor de huidige studie, werden deze gegevens niet gebruikt in de leave-one-patiënt-out procedure toegepast op de onderhavige zaak en zou niet beschikbaar zijn in een prospectieve toepassing van de voorgestelde methoden.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

We hebben presenteerde een reeks van geavanceerde technieken van digitale beeldverwerking en patroonherkenning, ook wel bekend als machine learning en CAD, voor de detectie van architecturale vervorming in voorgaande mammogrammen van interval-kankergevallen. De methoden zijn gebaseerd op een analyse van de georiënteerde textuur patronen aanwezig in de mammografische afbeeldingen toe. Onze werkwijze, waaronder diverse meer functies in onze aanverwante werkzaamheden voorgesteld, kunnen ontdekken vroege tekenen van borstkanker 15 maanden voor het tijdstip van klinische diagnose, gemiddeld, met een gevoeligheid van 80% tot minder dan 4 KP / patiënt 22 , 58.

In een potentiële klinische toepassing, moet de ROI gelabeld door onze procedures worden gezien als aanwijzingen voor een zorgvuldige inspectie van de desbetreffende delen van de mammogrammen door de radioloog. De uiteindelijke beslissing over de aanwezigheid of afwezigheid van borstkanker moet worden uitgevoerd door de radioloog, die aanvullende beeldvormende procedures kan verzoeken ofklinische tests om vermoedens die door mammografie en CAD verifiëren of te bevestigen.

Hoewel onze methodes spannende resultaten hebben geleverd in de huidige retrospectieve studie, ze zijn nog niet klaar zijn voor klinisch gebruik. De methoden duurt ongeveer 6 minuten per beeld op een Dell Precision PWS 490 workstation met Quad Intel Xeon-processors werken op 3,0 GHz, met 12 GB RAM-geheugen; computationele eisen moeten worden verminderd door een optimale uitvoering van de computer code. De resultaten zijn vergelijkbaar met of iets beter dan die gerapporteerd in studies over architectonische vervorming met commercieel verkrijgbare CAD-systemen 18,59,60, met het onderscheid dat het huidige werk is gebaseerd op eerdere mammogrammen. Het aantal KP moet worden verminderd tot ongeveer een per patiënt met een gevoeligheidsanalyse van ten minste 80%.

Beperkingen bestaan ​​in ons werk op het gebied van de soorten van architectonische vervorming gedetecteerd door de gebruikte modellen. De methoden moeten teste wordend met grotere datasets. De parameters die in de werkwijzen, die empirisch zijn bepaald in het onderhavige werk, moeten worden geoptimaliseerd met betrekking tot de kenmerken van de mammogrammen in een bepaalde dataset te analyseren. We verwachten dat onze procedures leiden tot betere resultaten met directe digitale mammogrammen en borsttomosynthesis beelden dan die verkregen met gescande screen-filmbeelden zoals in het onderhavige werk.

Conclusie

Onze methoden tonen belofte in het opsporen van architecturale vervorming en borstkanker in een vroeg stadium. Verdere werkzaamheden zijn nodig om de detectie van architecturale vervorming met een hoge gevoeligheid en lage FP tarieven bereiken.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs hebben niets te onthullen.

Acknowledgments

Dit werk werd ondersteund door subsidies van de Collaborative Research and Training Experience Programme (CREATE) en een Discovery Grant van de Natural Sciences and Engineering Research Council (NSERC) van 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

Geneeskunde Anatomie Fysiologie Kankerbiologie hoekige verspreiding architecturale vervorming borstkanker Computer-Assisted Diagnose computer-ondersteunde diagnose (CAD) entropie fractionele Brownse beweging fractale dimensie Gabor filters Beeldverwerking Medische Informatica knooppunt kaart gericht textuur Pattern Recognition faseportretten voorafgaand mammogrammen spectrale analyse
Detectie van Architectural Distortion in Prior mammogrammen<em&gt; Via</em&gt; Analyse van Oriented Patterns
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