Waiting
Login processing...

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

Medicine

Détection de distorsion architecturale dans mammographies antérieures 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

Nous démontrons méthodes pour la détection de distorsion architecturale dans les mammographies antérieures. Structures orientées sont analysés en utilisant des filtres de Gabor et des portraits de phase pour détecter les sites de motifs rayonnants de tissus. Chaque site est caractérisé et classé à l'aide de mesures pour représenter les modèles de spiculating. Les méthodes devraient aider à la détection du cancer du sein.

Abstract

Nous démontrons méthodes pour la détection de distorsion architecturale dans les mammographies antérieures de cas intervalle cancéreux fondés sur l'analyse de l'orientation des motifs des tissus mammaires à la mammographie. Nous émettons l'hypothèse que la distorsion architecturale modifie l'orientation normale de motifs de tissus mammaires en images mammographiques avant la formation de masses ou des tumeurs. Dans les premières étapes de nos méthodes, les structures orientées dans une mammographie donné sont analysés en utilisant les filtres de Gabor et des portraits de phase pour détecter les sites de noeud-comme de rayonnement ou intersection motifs de tissus. Chaque site est ensuite détectée, caractérisé en utilisant la valeur de noeud, la dimension fractale, et une mesure de la dispersion angulaire spécifiquement conçu pour représenter les motifs de spiculating associés à une distorsion architecturale.

Nos méthodes ont été testées avec une base de données de 106 mammographies antérieures de 56 cas intervalle-cancer et 52 mammographies de 13 cas normales en utilisant les fonctionnalités développées pour laCaractérisation de la distorsion d'architecture, de classification de formes par l'intermédiaire d'une analyse discriminante quadratique, et la validation de la procédure leave-one-out du patient. Selon les résultats de libre-réponse récepteur fonctionnant analyse caractéristique, nos méthodes ont démontré la capacité de détecter une distorsion architecturale dans les mammographies antérieures, pris 15 mois (en moyenne) avant le diagnostic clinique du cancer du sein, avec une sensibilité de 80% à environ cinq faux positifs par patient.

Introduction

Le cancer du sein est une maladie grave qui touche les femmes et est la deuxième cause de cancer lié décès chez les femmes 1,2. Afin d'améliorer les chances de survie et le pronostic des patients affectés par un traitement efficace à des stades précoces du cancer du sein, la maladie doit être détectée le plus rapidement possible. Dans l'analyse rétrospective des cas de cancer du sein, des signes subtils d'anomalies ont été observées sur les mammographies de dépistage précédemment acquis 3,4. Distorsion architecturale est un tel signe mammographique localisée éventuellement stades précoces du cancer du sein qui est difficile à détecter 5,6. Les modèles associés sont vaguement décrits comme une distorsion de l'architecture normale du sein sans visible masse définie. Distorsion architecturale pourrait apparaître dans les premières étapes de la formation d'une masse au sein ou une tumeur. Nous émettons l'hypothèse que les mammographies de dépistage obtenus avant la détection du cancer du sein could contient signes subtils de stades précoces du cancer du sein, en particulier, distorsion architecturale.

La figure 1a montre une image avant mammographique d'un cas de cancer de l'écran détecté. La région de l'anomalie identifiée par un radiologue (JELD) est décrit par un rectangle rouge. La mammographie a été prise avant 24 mois avant la mammographie de détection de la figure 1b. La mammographie avant avait été déclaré exempt de signes d'un cancer à l'instance d'origine de dépistage. Dans une analyse rétrospective et en comparaison avec la mammographie de dépistage, une région suspecte liée au site de cancer détecté a été marqué par le radiologue, et est indiquée en rouge sur la mammographie avant. La région suspecte contient des signes de distorsion architecturale, y compris les spicules.

diagnostic (CAD) des techniques et des systèmes assistés par ordinateur offrent le potentiel pour atteindre une sensibilité accrue dans la détection de Breast cancer 2,7-9. Cependant, en comparaison avec le nombre de publications qui existent dans la littérature sur la détection d'autres signes de cancer du sein, tels que les masses et les calcifications, seul un petit nombre d'études ont été rapportées sur la détection de distorsion architecturale en l'absence d'un masse centrale 10-17. Les systèmes de CAO disponibles dans le commerce ont été trouvés à des résultats médiocres pour la détection de distorsion d'architecture 18. Les études sur la détection de distorsion architecturale dans les mammographies antérieures de cas dépistés ou intervalle-cancer 3,4,19-22 pourrait aider à élaborer des stratégies pour la détection et le traitement des maladies du sein à un stade précoce, et conduire à l'amélioration de la pronostic pour le patient 23.

Préparation des images pour l'expérience

Des expériences ont été menées avec 158 images mammographiques dont 106 mammographies antérieures de 56 personnes diagnostiquéesun cancer du sein et 52 images de 13 individus normaux. L'approbation éthique pour l'étude a été obtenue du Conseil Conjoint santé éthique de la recherche, Bureau de bioéthique médicale, Université de Calgary, et la Calgary Regional Health Authority. Les images ont été obtenues à partir de Screen Test: Programme de l'Alberta pour la détection précoce du cancer du sein 21,24,25.

Les mammographies acquis dans la dernière visite prévue au programme de dépistage avant le diagnostic de cancer en dehors du programme de dépistage ont été étiquetés comme des mammographies antérieures de cas intervalle-cancer. Les mammographies diagnostiques correspondants n'étaient pas disponibles. Tous, sauf deux des 106 mammographies antérieures avaient été déclarés exempts de tout signe de cancer du sein au moment de leur acquisition et d'analyse dans le programme de dépistage, les personnes correspondant aux deux autres mammographies ont été renvoyés pour la biopsie. L'intervalle de temps entre le diagnostic du cancer et des mammographies antérieures variait de 1,5 moiss à 24,5 mois, avec une moyenne de 15 mois et l'écart type de 7 mois. Tous les mammographies antérieures de cas intervalle cancer disponibles dans la base de données ont été inclus dans la présente étude, à l'exception de six images dans lesquelles aucune pièce suspects ont pu être identifiés.

Les mammographies film-écran ont été numérisées à la résolution spatiale de 50 um et la résolution d'échelle de gris 12 bits par pixel en utilisant le Lumiscan 85 scanner laser (Lumisys, Sunnyvale, CA). Un radiologue expert spécialisé en mammographie (JELD) a examiné toutes les 106 mammographies antérieures de cas intervalle cancer et a marqué les régions suspectées de distorsion architecturale avec des boîtes rectangulaires sur la base des rapports disponibles sur l'imagerie ou une biopsie ultérieure, ou par inspection détaillée des mammographies . Sur les 106 images mammographiques antérieurs dans la base de données utilisée dans la présente étude, 38 images ont distorsion architecturale visible, et les 68 images restantes contiennent ev discutable ou pas clairementident distorsion architecturale. Chaque mammographie avant contient un seul site de distorsion architecturale identifiés par la boîte rectangulaire dessinée par le radiologue. La largeur moyenne, la hauteur et la zone des 106 parties suspectes d'images marquées par le radiologue sont 56 mm, 39 mm et 2274 mm 2, avec un écart type de 11,8 mm, 11,6 mm et 1073,9 mm 2, respectivement.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Une. Aperçu de la méthodologie

Dans notre procédure, les sites potentiels de distorsion architecturale dans les mammographies sont automatiquement détectés par l'analyse de modèles de texture orientées à la demande d'une banque de filtres de Gabor 26 et de la modélisation de la phase de portraits de 11,27. Les sites de détectés sont ensuite traitées par les étapes d'extraction de caractéristiques ou de mesures visant à caractériser la distorsion architecturale, le développement d'un classificateur qualifié, et l'application d'un algorithme de reconnaissance de formes ou de classification. La procédure est résumée par les étapes suivantes 11,20,21:

  1. Segment de la partie de la poitrine dans l'image mammographique donnée en utilisant un seuillage adaptatif et ouverture morphologique.
  2. Appliquer un ensemble de filtres de Gabor 180 avec des angles espacés de façon uniforme sur l'intervalle -90 ° à 90 ° pour obtenir l'image d'amplitude de Gabor, M (i, j), et l'image de l'angle Gabor, θ(I, j), en sélectionnant la réponse et de l'angle du filtre avec la réponse la plus élevée à chaque pixel (i, j).
  3. Sélectionnez structures curvilignes (SATC) d'intérêt, tels que les spicules et les tissus fibroglandulaire, en les distinguant des structures de confusion, tels que les bords du muscle pectoral, le parenchyme, limite du sein, et le bruit, en utilisant le champ de l'orientation, le champ de gradient, la suppression non maximale (NMS) technique, et des conditions supplémentaires 11.
  4. Filtrage du champ de l'orientation d'un filtre gaussien à l'écart-type de 7 pixels et de sous-échantillonnage d'un facteur quatre pour réduire le bruit et d'autres exigences de calcul 11,20.
  5. Appliquer linéaire modélisation phase portrait, avec une fenêtre d'analyse coulissante de dimensions 10 x 10 pixels à 800 um / pixel, avec un pixel par étape, dans le domaine de l'orientation filtré, avec des conditions spécifiques pour sélectionner des cartes de phase portrait liés à des types particuliers de nœud patterns 11,20.
  6. Jetez un vote, si certaines conditions sont remplies, à la position donnée par le point fixe pour chaque position de la fenêtre d'analyse pour former la carte de nœud.
  7. Filtrer la carte de nœud avec une fenêtre gaussienne de taille 35 x 35 pixels, l'écart type déterminé de manière empirique de 6 pixels (4,8 mm), pour consolider votes à proximité les uns des autres.
  8. Analyser le plan de noeud par rang de commander les sommets de la carte de nœud.
  9. régions coupées d'intérêt (ROI), de taille 128 x 128 pixels, sauf sur les bords, de l'image d'origine, avec le centre de chaque ROI situé au centre du pic lié à la carte de nœud. Sur les bords de l'image en cours de traitement, créer ROI d'inclure autant de données d'image comme disponible dans la fenêtre spécifiée.
  10. Tirer caractéristiques ou de mesures permettant de caractériser les modes de spiculating liés à la distorsion architecturale et les séparer de motifs de tissus normaux qui répondaient à certaines des conditions initiales.
    11. <li> Développer un classificateur formés pour distinguer les caractéristiques de sites avec une distorsion architecturale et ceux de motifs de tissus normaux en utilisant un ensemble de ROI classés par un radiologiste de formation.
  11. Appliquer le classificateur formé d'une série de cas de test et vérifier les résultats avec diagnostic fournis par le radiologue et sur la base de la biopsie.

Étapes 1-9 énumérés ci-dessus sont appliquées automatiquement à une image mammographique donné. Étapes sélectionnées de la procédure ci-dessus sont décrites et illustrées dans les sections suivantes.

2. Prétraitement des images de mammographie

L'étape de pré-traitement comprend les étapes suivantes:

  1. Filtrer l'image mammographique donné à l'aide d'un filtre gaussien, avec un écart type de deux pixels et la taille de 13 x 13 pixels à la résolution de 50 um / pixel et 12 bits / pixel, et de sous-échantillonnage à 200 um / pixel et 8 bits / pixels de résolution.
  2. Refléterl'image si elle est du sein droit.
  3. Segment de la région du sein dans l'image mammographique en utilisant la méthode de seuillage adaptatif d'Otsu et ouverture morphologique avec un élément structurant en forme de disque de rayon 25 pixels (5 mm à 200 um / pixel) 21,28,29.
  4. Détecter la approximatif 10,21 limite du sein.

La figure 2A représente une mammographie avant originale. Figure 2B de la même figure montre le résultat de la segmentation approximative de la portion du sein, qui est utilisée dans les étapes ultérieures de traitement et d'analyse.

3. Extraction de motifs orientées en utilisant les filtres de Gabor

La fonction de filtre de Gabor réel orienté à -90 ° est spécifié dans notre travail de 10,30:

Equation 1
où & #963; x et σ y sont les valeurs de l'écart type dans les directions x et y, et ƒ o est la fréquence de la sinusoïde de modulation. Filtres à d'autres angles sont obtenus par rotation de cette fonction en utilisant la transformation de coordonnées que:

Équation 2 supplément
où (x ', y') est l'ensemble de coordonnées tourné par l'angle α.

Les paramètres de l'équation 1 pour la mammographie de filtrage sont dérivées dans notre travail en tenant compte de la taille moyenne des motifs de tissus mammaires à détecter, 10 comme suit:

  1. Soit Τ soit la largeur à mi-hauteur de la gaussienne terme dans l'équation 1, le long de l'axe x.
  2. Soit Τ = 4 pixels, correspondant à une épaisseur de 00,8 mm à la taille de pixel de 200 um.
  3. Calculer Équation 3.3 .
  4. Que la période de la durée du cosinus être Τ, puis ƒ o = 1 / Τ.
  5. Soit la valeur de σ y être définie comme σ y = x lσ, où L correspond à l'allongement du filtre de Gabor dans la direction y, par rapport à la largeur du filtre dans la direction x. Pour l'analyse des mammographies à 200 um / pixel, utilisation l = 8.

Une banque de 180 réel des filtres de Gabor régulièrement espacés sur toute la plage de -90 ° à +90 ° est utilisé dans nos méthodes pour la détection de modèles orientés dans mammographies 10, 21. Pour chaque image donnée, une image d'amplitude Gabor, M (i, j), et une image de Gabor angle, θ (i, j), sont obtenues en utilisant la réponse et de l'angle de the filtre de Gabor avec la réponse la plus élevée à chaque pixel (i, j).

Le filtre de Gabor a une réponse en amplitude non nulle à l'origine du plan de fréquence (fréquence nulle). Parce que les composantes basse fréquence ne sont pas liées à la présence de distorsion d'architecture, il est souhaitable de réduire l'effet des composantes à basse fréquence de l'image mammographique de l'amplitude du champ d'orientation. Par conséquent, les images mammographiques sont filtrées passe-haut avant l'extraction du champ d'orientation. Ce résultat est obtenu en calculant la différence entre l'image originale et un filtre passe-bas version de la même image. Le filtre passe-bas utilisé dans cette étape est un filtre Gaussien de l'écart type σ égale à Y défini comme ci-dessus.

Bien que l'on pourrait sauver l'image filtrée pour chaque angle de l'intérêt, dans le présent ouvrage, la réponse maximale à chaque pixel sur l'ensemble des filtres (angles) utilisé estenregistré dans une image unique, appelée la réponse d'amplitude de Gabor; l'angle correspondant du filtre de Gabor est enregistrée au niveau de chaque pixel dans une autre image, dite réponse de l'angle de Gabor. Ensemble, les deux images sorties fournissent le domaine de l'image donnée d'orientation.

La figure 3A montre une image de test d'une plante. Figure 3B montre le spectre de l'image, qui représente la concentration de l'énergie à divers angles de Fourier. Toutes les parties de l'image avec la même orientation, quelle que soit leur position et de la taille, ont leurs composantes de fréquence spectrale (énergie) situés dans une bande angulaire ou d'un secteur positionné à 90 ° par rapport à leur orientation dans l'image. Les résultats du filtrage de l'image avec des filtres de Gabor avec Τ = 8 pixels et l = 8 sont représentés sur les figures 3C et D. Il est évident que les filtres de Gabor ont extrait des parties de la plante orientées à des angles différents avec une grande magpleur de réponse et que la réponse en accord avec l'angle d'orientation de la caractéristique dominante présente au niveau du pixel correspondant. En utilisant un banc de filtres de Gabor orienté selon différents angles dans la gamme -90 ° à 90 °, on a extrait l'ensemble des composants orientés présents dans l'image et leurs angles au niveau de chaque pixel. Il est évident que la réponse des filtres de Gabor est pratiquement nulle dans les zones lisses avec le même niveau d'intensité et aucune structure à orientation préférentielle, telles que des parties de la cuve et la paroi.

La figure 4 montre la grandeur et d'angle de Gabor réponses obtenues pour la mammographie avec distorsion architectural représenté sur la Figure 2B. Il est évident que les filtres de Gabor ont extrait des composantes orientées avec des réponses élevées, ainsi que les angles correspondants. On voit également que la réponse des filtres de Gabor est faible dans les zones lisses avec une densité à peu près constante et aucune structure d'orientation privilégiéetion. Regarde de près, il peut également être observé que la réponse des filtres de Gabor dépend du contraste d'une structure orientée par rapport à son arrière-plan et non pas seulement de sa densité ou la luminosité. Ces résultats sont dus à la nature passe-bande des filtres de Gabor.

4. Sélection d'ouvrages curvilignes

Les mammographies contiennent de nombreux CLS correspondant aux canalisations, des cuves, des ligaments, le parenchyme, et les bords du muscle pectoral. Des anomalies dans les mammographies peuvent être caractérisés par la présence de certains types de CLS, tels que les masses spiculée 12,31,32 et 10,11,33 distorsion architecturale, ou par la structure asymétrique de la texture orientée dans l'image du sein 34. D'autre part, certains types de lésions, telles que les masses circonscrites, pourraient être masqués par plusieurs NFT superposées sur les lésions dans les images mammographiques projetées; l'apparition de ces lésions peut être altEred et peut conduire à la détection des erreurs de diagnostic ou de faux négatifs. L'analyse de la présente NFT dans des mammographies pouvait améliorer les performances des algorithmes de détection des masses spiculés distorsion et architectural, comme suggéré par Zwiggelaar et al. 35. Par conséquent, l'identification des CLS est une étape importante dans la détection de distorsion architecturale.

Bien que la banque de filtre de Gabor utilisés dans le présent travail est sensible à des structures linéaires, tels que les spicules et de fibres, il détecte également d'autres bords forts, tels que les bords du muscle pectoral, bords du parenchyme, et les parois des vaisseaux, les structures orientées . Bords solides à travers le disque 36 fibroglandulaire pourraient être utilisés dans la détection d'une forme particulière de distorsion architecturale 37 connu sous le nom de rétraction focale. Toutefois, dans le présent travail, il est important que seulement NFT relatif aux tissus fibroglandulaires sont identifiées comme caractéristiques orientées.

  1. Segment de la zone du sein dans une mammographie donné comme décrit dans la section 2.
  2. Détecter base CLS pixels en appliquant la technique NMS 35,38 à l'image de réponse de magnitude Gabor.
  3. Rejeter SATC pixels sur les sites avec un fort gradient 33.

L'algorithme identifie NMS base CLS pixels par comparaison de chaque pixel de l'image de réponse d'amplitude à ses voisins le long de la direction qui est perpendiculaire à l'angle de champ de l'orientation locale, voir Figure 5. Si le pixel en examen a une valeur d'amplitude plus grande que les voisins correspondants, le pixel est un pixel de base CLS. NMS est une étape courante dans de nombreux détecteurs de bord (par exemple, le détecteur de bord de Canny 39). Zwiggelaar et al. NMS 35 utilisés pour la détection de CLS pixels de la même manière que celle décrite dans cesection.

La présence d'un fort gradient peut provoquer une ondulation dans la réponse en amplitude de Gabor, qui conduit à une détection erronée d'un CLS. Les pixels de CLS de base liés à la présence de forts gradients sont rejetés par les critères proposés par Karssemeijer et te Brake 12 dans le cadre de la détection de lésions spiculée. Le gradient de l'image mammographique est obtenue en utilisant la première dérivée d'une gaussienne avec un écart-type de cinq pixels (1 mm). Pour chaque pixel de base CLS, la direction du gradient est comparée à la direction du champ d'orientation. Si la différence entre la direction du champ de l'orientation et de la direction perpendiculaire au gradient est inférieur à 30 °, le noyau CLS pixel correspondant est éliminé.

Les NFT sein du disque fibroglandulaire possèdent typiquement réduit le contraste par rapport aux NFT l'extérieur du disque fibroglandulaire. Par conséquent, les CLS dans la fibdisque roglandular ont des valeurs de réponse petites Gabor de grandeur que les CLS en dehors du disque. Pour attribuer le même poids à tous les pixels CLS indépendants de l'emplacement, et de veiller à la détection de la CLS pertinente à faible contraste, comme les spicules dans le disque fibroglandulaire, le champ de magnitude M (i, j) est remplacé pour traitement ultérieur par une image composée de pixels seulement noyau CLS, CLS M (i, j), défini comme suit:

Equation 3
L'image M CLS (i, j) transmet des informations importantes sur la présence de CLS. Figure 6 montre les résultats de la sélection de CLS avec une mammographie complète et un retour sur investissement. En raison de la présence de distorsion d'architecture est indiqué par l'agencement géométrique de la NFT associés plutôt que de leur densité ou d'intensité, la magnitude de la CLS détectée est de moindre importance que la disposition spatiale des structures orientées.

5. Détection et d'étiquetage des sites suspects par l'analyse de la phase Portraits

Rao et Jain 40 ont développé une méthode pour l'analyse de texture orientée en images en associant le champ de l'orientation du gradient correspondant à l'apparition de portraits de phase. Un portrait de phase d'un système de deux linéaire du premier ordre, équations différentielles montre les trajectoires possibles des variables d'état 27.

Soit p (t) et q (t), t ISIN Symbole R, représentent deux fonctions différentiables de temps t, liés comme

Equation 3
Ici,• p (t) et q • (t) sont les dérivés du premier ordre par rapport au temps, et F et G sont des fonctions de p et q 10. Compte tenu des conditions initiales p (0) et q (0), la solution [p (t), q (t)], peut être représenté sous la forme d'une trajectoire paramétrique ou simplifier d'une particule hypothétique dans la (p, q ) plan. La particule est placée à [p (0), q (0)] à l'instant t = 0 et se déplace dans le plan (p, q) avec la vitesse [p • (t) et q • (t)]. La (p, q) est connu plan que le plan de phase du système. Un portrait de phase est un diagramme des trajectoires possibles d'une particule dans le plan de phase. Un point fixe est un point dans le plan de phase où p • ( m> t) = 0 et q • (t) = 0. Une particule laissé à un point fixe reste stationnaire. Pour un système affine, nous avons

Equation 4
Ici, A est une matrice 2 x 2 et b est une matrice colonne de 2 x 1. Le centre (p 0, q 0) du portrait de phase est donnée par le point fixe que

Equation 5
Si l'on associe la fonction p (t) et q (t) avec les coordonnées x et y du plan de l'image en cours de traitement, le champ d'orientation correspondant est

res.jpg "width =" 500 "/>
Ici, Φ (xy) est l'angle du vecteur de vitesse [p • (t), q • (t)] par rapport à l'axe x à (x, y) = [p (t), q (t)] . Nous associons Φ (xy) avec le θ de réponse d'angle Gabor (i, j), et définit une fonction d'erreur à minimiser comme

Equation 7
où [a, b] et [c, d] sont les deux rangées d'A. Le dernier terme prévoit une peine plus élevé (coût) de la déviation dans les configurations de la matrice A de celles liées aux modes de noeud spiculés. L'équation donnée ci-dessus représente Φ (xy) sur une grille discrète (i, j) à la place de l'espace continu (x, y). Estimates de a et b qui minimisent ε 2 (A, b) sont obtenus par la procédure suivante:

  1. Obtenir des estimations initiales de A et B à travers la minimisation de ε 2 (A, b) en utilisant la méthode du recuit simulé 41.
  2. Obtenir les estimations optimales en affinant les estimations initiales en utilisant un non-linéaire des moindres carrés algorithme 42.

Dans le modèle décrit ci-dessus, il existe trois types possibles de portraits de phase: noeud, selle, et en spirale. Le type de portrait de phase est déterminée par les valeurs propres de A 10,27,30,40. Le champ d'une image de texture d'orientation peut être décrite par la détermination du type du portrait de phase qui est la plus proche de son domaine d'orientation. Parce que des motifs en spirale ne sont pas d'intérêt pour l'analyse de l'mammographies, nous limitons la matrice A soit symétrique, ce qui entraîne que deux types de portraits de phase: nœuds et de selle.

En raison de la présence prévue d'un certain nombre de spicules à différents angles qui se superposent à l'image mammographique projetée, nous émettons l'hypothèse que l'un des sites de distorsion architecturale présentera des caractéristiques de noeuds-like. Cependant, les tissus normaux, des conduits, des navires et autres structures orientées dans le sein pourraient également se projetée et superposées pour former des motifs qui imitent l'apparence de distorsion architecturale dans une mammographie. Par conséquent, nous analysons la carte de nœud pour la détection de sites suspects ou des sites potentiels de distorsion architecturale, et analysons des sites détectés par d'autres étapes d'extraction de caractéristiques et la classification de modèle.

Parce que la mammographie peut présenter plusieurs modèles, nous appliquons une fenêtre d'analyse de glissement de taille 10 x 10 pixels, à 800 um / pixel, avec one pixel par étape. Pour chaque position de la fenêtre, un vote est coulé dans un plan, dénommé la carte de nœud, à la position donnée par le point fixe correspondant, si toutes les conditions appliquées sont satisfaits. Résultats liés à la matrice A avec son numéro de condition supérieure à 3,0 sont rejetées à ignorer les modèles qui ne devraient pas être associé avec une distorsion architecturale 11. En outre, une condition supplémentaire est imposée à la distance entre un point fixe et la position de la fenêtre d'analyse correspondant: si la distance est inférieure à trois pixels (2,4 mm) ou supérieure à 20 pixels (16 mm), les résultats pour le courant fenêtre d'analyse sont rejetées. L'amplitude de la voix est égale au rapport entre la mesure de la forme ε 2 (A, b), défini dans l'équation 7, pour le conditionnement de A, pour mettre l'accent sur ​​l'isotropie de la portrait de phase. La carte de nœud est ensuite analysé pour détecter local maxima ou les pics qui sont censés indiquer les sites de distorsion architecturale. Toutefois, la procédure se traduit également par la détection d'un certain nombre de faux positifs (FP) sites en raison de structures normales superposées.

A chaque pic de la carte de nœud, nous extrayons automatiquement un retour sur investissement, de taille 128 x 128 pixels, sauf sur les bords des images, de l'image mammographique à 200 um / pixel. Nous marquons les ROI aux endroits indiqués par les sommets dans le plan de nœud, dans l'ordre des valeurs des pics décroissant, jusqu'à un maximum de 30 ROI par mammographie.

Lorsque la mammographie avec des diagnostics connus sont utilisés pour former notre procédure, la détecté automatiquement ROI de leurs centres dans les régions de distorsion architecturale identifié par le radiologue sont étiquetés comme des vrais positifs (TP) ROI, les autres sont étiquetés comme FP ROI pour une utilisation dans la procédure d'apprentissage. Quand une mammographie est analysée en utilisant le procédé de formation, l'ensemble des régions d'intérêt détectées unes ci-dessus sont traitées pour le classement sans étiquetage.

La figure 7 montre la carte de noeud et les régions d'intérêt détectées pour la mammographie représenté sur la Figure 2B. Les rectangles rouges indiquent la zone suspecte marquée par le radiologue.

La figure 8 montre un certain nombre de TP et FP ROI extraites automatiquement à partir de plusieurs mammographies. La plupart des régions d'intérêt TP ont plusieurs spicules et les modèles orientés répartis sur une large gamme d'angles. Le FP ROI, d'autre part, ont un plus petit nombre de structures de tissus normaux orientés sur une plage étroite d'angles; indépendamment, en raison de leur superposition dans l'image mammographique projetée, ils imitent les caractéristiques de noeud-comme de distorsion architecturale.

Notre stratégie consiste à détecter les régions suspectes avec une grande efficacité ou de la sensibilité à l'étape initiale (avec en conséquence peu de faux négatifs), même si le nombre d'accompagnement des MF est grande. La prochaine étape de l'analyse des ROI est conçu pour aider à réduire les PC via la caractérisation efficace et la classification du ROI détecté.

6. Caractérisation de la distorsion architecturale

Un retour sur investissement détecté automatiquement, y compris une distorsion architecturale, centrée sur un pic dans la carte de nœud connexe, est susceptible de posséder plusieurs spicules dispersés à différents angles. Nous nous attendons à ce caractère de conduire à une large répartition angulaire de l'énergie dans le domaine de l'image et de l'énergie spectrale dans le domaine de Fourier. Dans nos travaux précédents, nous avons montré qu'une telle dispersion angulaire peut être représenté de manière efficace sous la forme d'un diagramme de rose, qui est un histogramme 21,22 angulaire. Nous normaliser le schéma de rose d'avoir unité de surface et de la traiter comme une fonction de densité de probabilité (PDF). Ensuite, nous caractérisons le PDF de chaque ROI en utilisant l'entropie, qui est une mesure statistique des troubles ou dispersion.

ontenu "> La dispersion accrue des modèles de tissus dans les régions avec une distorsion architecturale modifie la nature fractale de tissu mammaire normal. Les modèles couramment utilisés de fractales sont fondées sur des motifs imbriqués multi-échelles des motifs auto-similaires 43-46. Un autre modèle de comportement fractal est mouvement brownien fractionnaire (FBM) qui est liée à un spectre dans le domaine fréquentiel dans lequel la puissance diminue en proportion de (1 / f) ^ β, où f est la fréquence et β est connu comme la composante spectrale 47,48. L' modèle fBm conduit à des images fractales qui sont similaires aux modèles de éclaircies aléatoires;. modèles comparables sont souvent vus dans les mammographies Afin d'appliquer ce modèle aux images, les deux dimensions (2D) spectre de l'image de Fourier doit être converti à l'un fonction dimensions (1D).

Nous avons développé une méthode intégrée pour caractériser la propagation angulaire et pour obtenir une estimation des dimens fractaleion (FD) d'une image en mappant le spectre de Fourier 2D de l'image en coordonnées rectangulaires, notée S (u, v), à un spectre en coordonnées polaires, désignées par S (ƒ, Ν). Le mode opératoire est décrit par les 21 étapes suivantes:

  1. Appliquer la fenêtre von Hann à chaque extrait automatiquement 128 x 128 ROI et le pad le résultat avec des zéros à un tableau de taille 256 x 256 pixels.
  2. Calculer la transformée de Fourier 2D de la ROI rembourré et l'amplitude de chaque valeur complexe résultant pour obtenir une estimation du spectre de puissance, S (u, v), de la ROI.
  3. Identifiez sélectionnés basse fréquence et haute fréquence parties du spectre de l'exclusion dans les étapes ultérieures.
  4. Plan du spectre de puissance S 2D (u, v) de la coordonnées (rectangulaires) (u, v) aux coordonnées polaires (ƒ, Ν) pour obtenir S (ƒ, Ν), par rééchantillonnage et le calcul d'une moyenne pondérée de la cartésienne quatre voisins de ehaque point de f pour la distance radiale allant de zéro à la moitié de la fréquence d'échantillonnage, et sur ​​toute la plage de l'angle Ν = [0, 179 °].
  5. Transformer le spectre 2D S (ƒ, Ν) en une fonction 1D S (ƒ), par l'intégration en tant que fonction de la distance radiale ou de la fréquence f à partir du point zéro sur la plage de fréquence dans Ν = [0, 179 °] dans angle.
  6. Appliquer une régression linéaire pour une gamme de fréquence limitée du spectre S 1D (ƒ) sur une échelle logarithmique, à l'exclusion des points dans les régions de basse fréquence et haute fréquence sélectionnés, et obtenir le β de la ligne ajustée, qui est une estimation pente la composante spectrale dans le modèle mBf.
  7. Calculer la valeur estimée de FD comme 15,49,50 FD = (8 - β) / 2.
  8. Transformer le spectre S 2D (ƒ, Ν) en une fonction 1D S (Ν), par l'intégration en fonction de l'angle de Νl'intervalle [0, 179 °], à partir du point zéro fréquence sur ƒ radiale à distance = [1, 128] pixels.
  9. Normaliser S (Ν) d'avoir unité somme et calculer l'entropie de la suite en tant que Équation 6.9 .

La transformation géométrique décrite ci-dessus permet d'améliorer la représentation et de visualisation des caractéristiques spectrales de texture périodique ou spiculée 9. Les régions à faible et haute fréquence sélectionnées doivent être exclus pour éliminer les effets des composantes basse fréquence liés à l'aspect global de l'image et les grandes structures présentes dans l'image, ainsi que pour éviter les effets de haute fréquence bruit. Dans le présent travail, les bandes de fréquences à exclure dans l'estimation de β et FD (les parties non linéaires) sont sélectionnés sur la base de l'expérimentation en utilisant des images de synthèse avec connue FD, et en utilisant aussi unnombre de régions d'intérêt de la mammographie. La gamme de ƒ utilisé pour ajuster le modèle linéaire correspond à [6, 96] pixels ou [0.117, 1.875] mm -1, où la plage de [1, 128] pixels correspond à une représentation discrète de la gamme de fréquence [0, 2.5 ] mm -1.

Les figures 9 et 10 illustrent les différentes étapes de l'analyse fractale et l'estimation de l'étalement angulaire de la puissance dans le domaine de fréquence pour un ROI TP et un retour sur investissement, respectivement FP. Figure 9D indique l'existence de motifs de spiculating multidirectionnelles pour le TP ROI, alors que la figure 10D, la propagation de la puissance est limitée à un petit nombre de bandes angulaires pour la FP ROI.

7. Classification et de validation de modèle

Nous avons maintenant trois mesures ou des caractéristiques pour chaque ROI automatiquement détectés: [valeur de nœud, H F, FD], comme décrit dans la section 6. Nous utilisons ces caractéristiques, individually et collectivement, pour caractériser les modes de spiculating liés à la distorsion architecturale et de différencier le TP ROI des ROI PF détectés.

Pour le retour sur investissement de TP montre la figure 9, le vecteur caractéristique composé par les trois mesures dérivées est [0,0299, 7,2224, 2,3037]. Pour le retour sur investissement FP montre la figure 10, le vecteur de caractéristiques correspondant est [0,0349, 6,9444, 2,5223]. Comme prévu, la valeur F H est plus élevé pour la ROI de TP pour que le FP ROI, et la valeur de FD est plus faible. Cependant, la valeur du nœud est plus faible pour le retour sur investissement de TP que pour la FP ROI, qui est contraire aux différences attendues, en raison de la présence de structures qui se chevauchent dans le second. En général, on peut s'attendre à quelques-unes des caractéristiques de suivre les tendances attendues et aider à la classification des régions d'intérêt, même si d'autres éléments ne démontrent pas le comportement attendu.

Pour évaluer les performances des caractéristiques, Nous utilisons l'aire sous la caractéristique de fonctionnement du récepteur (ROC) de la courbe (AUC) 51,52 et sans réponse ROC (FROC) analyse 53-55. Pour ROC et FROC analyse avec une caractéristique individuelle, nous n'utilisons pas un classificateur qualifié, au contraire, nous appliquons un seuil de glissement. Les trois caractéristiques individuelles de noeud, FD, et H F fournis valeurs de l'ASC de 0,61, 0,59, et 0,64, respectivement, ce qui indique une bonne performance potentiel mais pas suffisante de la classification motif. Les valeurs de p des mêmes caractéristiques sont 1.7638e-009, 1.8793e-004, et 2.2615e-013, qui indiquent des différences statistiquement très significatifs entre leurs valeurs pour les ensembles de détection automatique TP et FP ROI.

Quand un grand nombre de fonctionnalités sont utilisées pour représenter les échantillons de classification, il est nécessaire de sélectionner un sous-ensemble optimal de caractéristiques de manière à supprimer des fonctions corrélées et de réduire la complexité du système de classification 20-22; plusieurs procéres, comme la régression logistique pas à pas 56, peuvent être utilisés à cette fin. Dans le présent travail, parce que nous utilisons seulement trois fonctions par le retour sur investissement, nous n'avons pas effectué la sélection des fonctionnalités.

Pour effectuer la validation du classificateur qualifié, nous appliquons les procédures de classification de modèle avec l'approche leave-one-out patient. Nous excluons toutes les régions d'intérêt extraites des mammographies du patient à tester de la procédure de formation du classificateur, puis appliquons le classificateur ainsi obtenu pour le cas de test. Nous le répétons, la procédure pour l'ensemble des données, un cas ou un patient à la fois.

Pour l'analyse ROC avec l'ensemble des trois caractéristiques, on utilise un classificateur qui effectue une analyse discriminante quadratique avec l'hypothèse bayésienne 57. Pour générer des courbes de Froc, nous considérons le TP retour sur investissement avec la valeur discriminante plus élevé dans les deux images mammographiques disponibles pour le patient, sauf dans six cas où une seuleimage est disponible par cas.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Les trois fonctions, à savoir, la valeur de nœud, FD, et H F, les valeurs d'AUC prévues de 0,61, 0,59, et 0,64, respectivement, lorsque chaque élément a été utilisé sur son propre. L'utilisation combinée des trois fonctions fourni une performance améliorée avec la CUA = 0,70. La courbe de FROC obtenu avec la combinaison des trois éléments est représenté sur la figure 11, ce qui indique une sensibilité de 80% à 5,6 MF / patient et 89% à 7,5 MF / patient. Utilisez seulement la valeur du nœud fourni une sensibilité de 80% à 8,1 MF / patient et 89% à 13,8 MF / patient.

La réduction des MF dans le résultat final est illustré sur la Figure 12. Par souci d'illustration, seulement six ROI avec les meilleurs classements sont présentés. Les numéros en dehors des parenthèses indiquent le classement fondé sur les valeurs discriminantes obtenues par le classificateur bayésien, les chiffres dans les parenthèses correspondent au classement antérieur fondé sur le plan de noeud. Comparaison trong> Figure 12, avec l'étape initiale de détection de régions d'intérêt suspectes représentés sur la figure 7, il est clair que les caractéristiques utilisées pour caractériser la distorsion d'architecture ont conduit à une réduction substantielle des MF, par rapport à l'étape initiale de l'analyse des noeuds, tout en conservant bonne sensibilité de détection. Il s'agit d'un cas où trois des ROI hautement cotées ont chevauché avec la zone suspecte de distorsion architecturale marquée par le radiologue, et représente un cas de détection réussie par notre procédure.

Dans une application clinique, le nombre de régions d'intérêt à afficher dans le résultat final doit être déterminée en fonction de la sensibilité souhaitée et le nombre de points focaux qui serait tolérée, ainsi que de la préférence des radiologues.

oad/50341/50341fig1.jpg "/>
Figure 1. (A) Une mammographie avant de taille 1377 x 850 pixels à 200 um / pixels; (A) mammographie de détection correspondant de taille 1374 x 850 pixels à 200 résolution um / pixel; (C) région agrandie de distorsion architecturale dans l'image représentés dans la partie (A), de la taille de 39,2 mm x 21,8 mm; (D) région agrandie de distorsion architecturale dans l'image affichée dans la partie (B), de la taille de la taille de 40,8 mm x 26,8 mm. La mammographie a été prise avant 24 mois avant la mammographie de dépistage. Il s'agit d'un cas de cancer du sein détecté par dépistage. Cliquez ici pour agrandir la figure.

41fig2highres.jpg "/>
Figure 2. (A) Une mammographie avant de taille 1377 x 850 pixels à 200 um / pixels;. (B) image correspondant après prétraitement de segmentation approximative de la région du sein Cliquez ici pour agrandir la figure.

Figure 3
Figure 3. (A) l'image de test d'une installation avec plusieurs pièces orientées, de taille 646 x 668 pixels; (B) Fourier spectre de l'image montrant énergie concentrée sous plusieurs angles de grandeur; (C) Gabor réponse d'amplitude, et (D) de réponse d'angle Gabor . 180 filtres de Gabor ont été utilisés au cours de la plage allant de -90 ° à +90 °, avec Τ > = 8 pixels et l = 8. Cliquez ici pour agrandir la figure.

Figure 4
Figure 4. (A) magnitude Gabor et (B) des réponses d'angle pour la mammographie avec distorsion architecturale représentée sur la figure 2B, la taille de 1377 x 850 pixels à 200 um par pixel. 180 filtres de Gabor ont été utilisés au cours de la plage allant de -90 ° à +90 °, avec Τ = 4 pixels et l = 8. Le rectangle (rouge ou vert) montre la zone de déformation architecturale marquée par le radiologue, de taille 47,6 mm x 29,9 mm. (C), (D) des vues de la région de distorsion architecturale agrandie.es/ftp_upload/50341/50341fig4highres.jpg "target =" _blank "> Cliquez ici pour agrandir la figure.

Figure 5
Figure 5 La technique de NEM:. Rectangle allongé (en gris) dénote la présence d'un CLS. Les carrés indiquent les pixels le long d'une direction perpendiculaire à l'orientation des CLS. Le carré vert central indique un CLS pixel de base.

Figure 6
(A) les résultats des NEM. (B) sélection de CLS Figure 6. NMS et résultats de la sélection CLS superposées sur l'image mammographique plein dans la figure 2A.résultats. Les pixels marqués en blanc correspondent à CLS pixels qui sont retenus pour une analyse plus approfondie. (C) Résultats des NEM et des résultats (D) CLS de sélection en vue magnifiée pour le retour sur investissement marqué dans la figure 4A. Cliquez ici pour agrandir la figure.

Figure 7
Figure 7. (A) carte de nœud et (b) ROI détectés pour la mammographie montre la figure 2B. L'image mammographique est de taille 1377 x 850 pixels à 200 um par pixel. La taille de la zone de déformation architecturale (rectangle rouge) marquée par le radiologue est de 47,6 mm x 29,9 mm. Chaque retour sur investissement est de taille 128 x 128 pixels, sauf sur les bords de l'imâge. Cliquez ici pour agrandir la figure.

Figure 8
Figure 8 Exemples de (A) -. (C) trois TP ROI et (D) - (F) de trois FP ROI. Chaque retour sur investissement est de taille 128 x 128 pixels. Les valeurs de nœud correspondant sont affichés. Cliquez ici pour agrandir la figure.

Figure 9
Figure 9. (A) 128 x 128 pixel TP ROI handi architecturales distorsion, la taille de pixel = 200 um. valeur de nœud = 0,0299. (B) Le Fourier 2D spectre de puissance logarithmique S (u, v) obtenu après application de la fenêtre von Hann et zéro padding le retour sur investissement de 256 x 256 pixels. (C) Le spectre de puissance dans le (f, Ν) espace. L'axe horizontal correspond à l'angle Ν de 0 ° à 179 ° et l'axe vertical correspond à la fréquence radiale de 0,02 mm -1 à 2,5 mm -1. Le coin pixel en haut à gauche correspond à la fréquence de 0,02 mm -1 et l'angle de 0 °. Un cadre noir a été appliqué au spectre. (D) de l'étalement angulaire de la puissance, S (Ν). Entropie HF = 7,2224. (E) Le 1D spectre de puissance S (f) tracée sur une échelle logarithmique en fonction de la fréquence radiale f. L'ajustement linéaire est également représentée (ligne rouge), qui a abouti à FD = 2,3037 pour le TP ROI.Arget = "_blank"> Cliquez ici pour agrandir la figure.

Figure 10
Figure 10. (A) 128 x 128 pixels FP ROI, la taille de pixel = 200 um. Le retour sur investissement a causé un noeud FP en raison de chevauchement et / ou coupant les structures normales. valeur de nœud = 0,0349. (B) Le Fourier 2D spectre de puissance logarithmique S (u, v) obtenu après application de la fenêtre von Hann et zéro padding le retour sur investissement de 256 x 256 pixels. (C) Le spectre de puissance dans le (f, Ν) espace. L'axe horizontal correspond à l'angle Ν de 0 ° à 179 ° et l'axe vertical correspond à la fréquence radiale de 0,02 mm -1 à 2,50 mm -1. Le coin pixel en haut à gauche correspond à la fréquence de 0,02 mm -1 et l'angle de 0 °. Un bl ack trame a été appliqué au spectre. (D) l'étalement angulaire de la puissance, S (Ν). Entropie HF = 6,9444. (E) Le 1D spectre de puissance S (f) tracée sur une échelle logarithmique en fonction de la fréquence radiale f. L'ajustement linéaire est également représentée (ligne rouge), qui a abouti à FD = 2,5223 pour la FP ROI. Cliquez ici pour agrandir la figure .

Figure 11
Figure 11. FROC courbe montrant l'efficacité de détection des caractéristiques proposées.

oad/50341/50341fig12highres.jpg "/>
Figure 12. D'étiquetage final de régions d'intérêt pour la mammographie initiale représentée sur la figure 2. Les ROI suspects détectés à un stade précoce du traitement sont présentés dans la figure 7. Les rectangles décrites en vert représentent TP ROI dans la phase finale de l'analyse, les rectangles restants décrites dans jaune représentent MF ou les fausses alarmes. Le rectangle rouge indique la zone de déformation architecturale marquée par le radiologue pour la présente étude; cette information n'a pas été utilisé dans la procédure de leave-one-patient à appliquer à la présente affaire et ne serait pas disponible dans une application prospective de la méthodes proposées.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Nous avons présenté une série de techniques sophistiquées de traitement de l'image numérique et la reconnaissance des formes, aussi connu comme l'apprentissage machine et CAD, pour la détection de distorsion architecturale dans les mammographies antérieures de cas intervalle-cancer. Les méthodes sont basées sur l'analyse des modèles de texture orientées présents dans les images mammographiques. Nos méthodes, y compris plusieurs autres fonctionnalités proposées dans nos travaux connexes, sont capables de détecter des signes précoces de cancer du sein 15 mois avant le moment du diagnostic clinique, en moyenne, avec une sensibilité de 80% à moins de 4 MF / patient 22 , 58.

Dans une application clinique potentielle, les ROI marqués par nos procédures doivent être considérés comme des invites pour une inspection minutieuse des zones correspondantes des mammographies par le radiologue. La décision finale concernant la présence ou l'absence de cancer du sein doit être faite par le radiologue, qui peut demander des procédures d'imagerie supplémentaires ouessais cliniques pour vérifier ou confirmer les soupçons soulevés par la mammographie et CAD.

Bien que nos méthodes ont donné des résultats intéressants dans l'étude rétrospective présente, ils ne sont pas encore prêts pour une utilisation clinique. Les méthodes prennent environ 6 minutes par image sur un Dell Precision 490 PWS poste de travail avec les processeurs Intel Xeon Quad fonctionnant à 3,0 GHz, avec 12 Go de RAM; exigences de calcul doivent être réduites par la mise en œuvre optimale du code informatique. Les résultats sont comparables ou légèrement supérieurs à ceux rapportés dans les études sur la distorsion architecturale avec les systèmes de CAO disponibles dans le commerce 18,59,60, avec la distinction que le présent travail est basé sur les mammographies antérieures. Le nombre de MF doit être réduite à environ un pour un patient présentant une sensibilité associée d'au moins 80%.

Il existe des restrictions dans notre travail en termes de types de distorsion architecturale détectée par les modèles utilisés. Les méthodes doivent être tested avec de plus grands ensembles de données. Les paramètres utilisés dans les procédés, qui ont été déterminées de manière empirique dans le présent travail, doivent être optimisés en fonction des caractéristiques des mammographies à un ensemble de données à analyser. Nous attendons de nos procédures pour aboutir à de meilleurs résultats avec des mammographies numériques directes et images de tomosynthèse du sein que celles obtenues avec images numérisées film-écran que dans le présent ouvrage.

Conclusion

Nos méthodes sont prometteurs dans la détection de la distorsion et le cancer du sein à un stade précoce d'architecture. Des travaux supplémentaires sont nécessaires pour atteindre la détection de distorsion architecturale avec une haute sensibilité et faible taux de PF.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n'ont rien à révéler.

Acknowledgments

Ce travail a été soutenu par des subventions du Programme de recherche en collaboration et à l'expérience de formation (CREATE) et une subvention à la découverte des sciences naturelles et en génie (CRSNG) du 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

Médecine Numéro 78 anatomie physiologie biologie du cancer l'étalement angulaire distorsion architecturale cancer du sein diagnostic diagnostic assisté par ordinateur assistée par ordinateur (CAD) l'entropie mouvement brownien fractionnaire dimension fractale filtres de Gabor traitement d'image Médical Informatique noeud carte texture orientée Pattern Recognition portraits de phase les mammographies antérieures l'analyse spectrale
Détection de distorsion architecturale dans mammographies antérieures<em&gt; Par</em&gt; Analyse des modèles orientés
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