Waiting
Login processing...

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

Medicine

Erkennung von Architektur Distortion in Vor Mammographie 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

Wir zeigen, Verfahren zum Nachweis von architektonischen Verzerrung vor Mammogramme. Orientierten Strukturen werden mit Gabor-Filter und Phasenportraits zu Websites von strahlenden Gewebe Muster zu erkennen analysiert. Jeder Standort charakterisiert und klassifiziert mit Maßnahmen zur spiculating Muster stellen. Die Verfahren sollten in der Erkennung von Brustkrebs unterstützen.

Abstract

Wir zeigen, Verfahren zum Nachweis von architektonischen Verzerrung vor Mammogramme Intervall-Krebsfälle basieren auf der Analyse der Orientierung der Brustgewebe-Muster in Mammogrammen. Wir vermuten, dass die Architektur Verzerrung ändert die normale Ausrichtung des Brustgewebes Muster in mammographischen Bildern, bevor die Bildung von Massen oder Tumoren. In den ersten Schritten unserer Methoden, die orientierten Strukturen in einer bestimmten Mammographie werden analysiert, mit Gabor-Filter und Phasenportraits zu Knoten ähnlicher Seiten von strahlschneidenden Gewebe oder Muster zu erkennen. Jedes erkannte Website wird dann mit Hilfe der Knotenwert, fraktale Dimension, und ein Maß der Winkeldispersion speziell entwickelt, um spiculating Muster mit Architekturstörung assoziiert vertreten ist.

Unsere Methoden wurden mit einer Datenbank von 106 vor Mammographien von 56 Intervall-Krebs-Fälle und 52 Mammographien von 13 normalen Fällen unter Verwendung der für die entwickelten Features getestetCharakterisierung von Architekturstörung, Musterklassifikation über quadratische Diskriminanzanalyse und Validierung mit der leave-one-Patienten-out-Verfahren. Nach den Ergebnissen der Reaktion frei ROC-Analyse, haben unsere Methoden die Möglichkeit, architektonischen Verzerrung vor Mammographie nachgewiesen erfassen, vor der klinischen Diagnose von Brustkrebs bei etwa 15 Monate genommen (im Durchschnitt), mit einer Sensitivität von 80% fünf Fehlalarme pro Patient.

Introduction

Brustkrebs ist eine schwere Erkrankung, die Frauen und die zweithäufigste Ursache für krebsbedingte Todesursache bei Frauen 1,2. Um die Überlebenschance und die Prognose der betroffenen Patienten durch eine effektive Behandlung in frühen Stadien von Brustkrebs zu verbessern, muss die Krankheit so früh wie möglich erkannt werden. In retrospektiven Analyse der Fälle von Brustkrebs, haben subtile Anzeichen von Anomalien auf zuvor erworbenen Screening-Mammographien 3,4 beobachtet. Architektur Verzerrung ist eine solche lokalisierte Mammographie Zeichen möglicherweise frühen Stadien von Brustkrebs, die schwer zu erkennen ist 5,6. Die zugehörigen Muster sind vage als Verzerrung der normalen Architektur der Brust ohne bestimmte Masse sichtbar beschrieben. Architekturstörung könnte in der Anfangsphase der Bildung einer Brusttumormasse oder angezeigt. Wir vermuten, dass die Screening-Mammographie erhalten vor der Erkennung von Brustkrebs cOuld enthalten subtilen Zeichen der frühen Stadien von Brustkrebs, insbesondere, Architektur-Verzerrung.

Abbildung 1a zeigt eine Mammographie vor Bild von einem Fall der Bildschirm erkannt Krebs. Der Bereich der Anomalie durch einen Radiologen (JELD) identifiziert wird mit einem roten Rechteck dargestellt. Der Stand der Mammographie betrug 24 Monate vor dem in Abbildung 1b gezeigten Detektions Mammographie gemacht. Der Stand der Mammographie erklärt worden war frei von Anzeichen von Krebs zu sein, bei der ursprünglichen Instanz des Screenings. In retrospektiven Analyse und Vergleich mit dem Erfassungs Mammographie, einem verdächtigen Bereich auf der Seite von Krebs erkannt Zusammenhang wurde durch den Radiologen markiert und wird in Rot auf dem Stand der Mammografie dargestellt. Der verdächtige Region enthält Anzeichen von Architekturstörung, einschließlich Nadeln.

Computergestützte Diagnose (CAD)-Techniken und Systeme bieten die Möglichkeit zur Erzielung einer erhöhten Empfindlichkeit bei der Detektion von Breast Krebs 2,7-9. Im Vergleich mit der Zahl der Veröffentlichungen, die in der Literatur zum Nachweis von anderen Anzeichen von Brustkrebs, wie Verkalkungen und Massen vorhanden sind, nur eine kleine Anzahl von Studien haben sich auf die Detektion von architektonischen Verzerrung in Abwesenheit einer gemeldet Zentralmasse 10-17. Kommerziell erhältlichen CAD-Systeme haben sich als unzureichend für den Nachweis von architektonischen Verzerrung 18 durchzuführen. Studien über den Nachweis von Architekturstörung in Mammographien vor der Bildschirm erkannt oder Intervall-Krebsfälle 3,4,19-22 könnte bei der Entwicklung von Strategien für die Erkennung und Behandlung von Brusterkrankungen in einem frühen Stadium zu helfen, und führen zu einer Verbesserung der Prognose für den Patienten 23.

Vorbereitung der Bilder für das Experiment

Die Experimente wurden mit 158 ​​106 einschließlich Mammographie vor Mammographien von 56 Personen durchgeführt diagnostiziertmit Brustkrebs und 52 Bildern von 13 normalen Individuen. Ethik Genehmigung für die Studie wurde von der Conjoint Health Research Ethics Board Office of Medical Bioethik, University of Calgary, Calgary und dem Regional Health Authority erhalten. Alberta Programm zur Früherkennung von Brustkrebs 21,24,25: Die Bilder wurden von Screen Test erhalten.

Mammographie in der letzten geplanten Besuch in der Screening-Programm vor der Diagnose von Krebs außerhalb des Screening-Programms erworben wurden, als vor Mammographien von Intervall-Krebsfälle gekennzeichnet. Die entsprechenden diagnostischen Mammographien waren nicht verfügbar. Alle bis auf zwei der 106 vor Mammographien erklärt worden war frei von Anzeichen von Brustkrebs zu sein, die zum Zeitpunkt ihrer Erfassung und Analyse in der Screening-Programm, die Personen, die den beiden anderen Mammographien hatten für die Biopsie bezeichnet. Das Zeitintervall zwischen der Diagnose von Krebs und vor Mammogramme reichten von 1,5 Monates auf 24,5 Monate mit durchschnittlich 15 Monate Standardabweichung von 7 Monaten. Alle vor der Mammographie-Intervall Krebsfälle in der Datenbank haben in der vorliegenden Studie aufgenommen worden, mit Ausnahme von sechs Bildern, in denen keine verdächtigen Teile identifiziert werden konnte.

Die Film-Folien-Mammographie wurden bei der räumlichen Auflösung von 50 um und Graustufen-Auflösung von 12 Bit pro Pixel unter Verwendung der Lumiscan 85 Laserscanner (Lumisys, Sunnyvale, CA) digitalisiert. Ein Experte Radiologe in der Mammographie (JELD) spezialisiert prüft alle 106 Mammographien vor der Pause-Krebs-Fälle und markiert die verdächtigen Regionen der Architekturstörung mit rechteckigen Kästen auf Basis der verfügbaren Berichte über nachfolgende Bildgebung oder Biopsie, oder durch eine detaillierte Inspektion der Mammographien . Von den 106 vor Mammographie, in dem in der vorliegenden Studie verwendete Datenmenge, 38 Bilder haben sichtbare Architekturstörung, und die restlichen 68 Bilder enthalten bedenkliche oder keine klar evUser Architekturstörung. Jede Mammographie vor enthält eine einzelne Website von architektonischen Verzerrung wie durch die rechteckige Box durch den Radiologen gezogen identifiziert. Die durchschnittliche Breite, Höhe und Fläche der 106 verdächtige Teile der Bilder durch den Radiologen markiert sind 56 mm, 39 mm und 2.274 mm 2, mit einer Standardabweichung von 11,8 mm, 11,6 mm und 1073,9 mm 2.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Übersicht der Methodik

In unserem Verfahren mögliche Standorte von architektonischen Verzerrung in Mammographien werden automatisch über Analyse orientierte strukturelle Muster mit der Anwendung von einer Bank der Gabor-Filter 26 erkannt und Modellierung von Phasenporträts 11,27. Die detektierten Webseiten werden dann durch die Schritte der Extraktion von Merkmalen und Maßnahmen verarbeitet, um Architekturstörung die Entwicklung eines trainierten Klassifikators, und die Anwendung eines Algorithmus zur Mustererkennung und Klassifizierung charakterisieren. Das Verfahren ist durch die folgenden Schritte 11,20,21 zusammengefasst:

  1. Segment der Brustbereich in der gegebenen Mammographie-Bild mit adaptiven Schwellen und morphologische Öffnung.
  2. Anwenden eines Satzes von Gabor-Filter 180 mit Winkeln von -90 ° bis +90 ° gleichmäßig über den Bereich angeordnet sind, um die Gabor Betragsbild zu erhalten, M (i, j) und die Gabor Bildwinkel θ(I, j) durch die Wahl der Reaktions-und Winkel des Filters mit der höchsten Reaktion auf jedes Pixel (i, j).
  3. Wählen gekrümmt-lineare Strukturen (clss) von Interesse, wie Nadeln und fibroglandular Gewebe, durch die sie von verwirrenden Strukturen, wie Ränder der Brustmuskel, Parenchymgewebe-, Brust-Grenze, und Lärm, mit Hilfe der Orientierungsfeld, das Gradientenfeld, die Unterdrückung nonmaximal (NMS)-Technik und zusätzliche Bedingungen 11.
  4. Filtern des Orientierungsfeldes mit einem Gauß-Filter mit der Standardabweichung von 7 Pixeln und Abwärts Probe um einen Faktor von vier gegenüber Rauschen und weitere Rechenanforderungen 11,20 reduzieren.
  5. Bewerben lineare Phasenportrait Modellierung, Analyse mit einem Schiebefenster der Größe 10 x 10 Pixel bei 800 um / Pixel mit einem Pixel pro Schritt, zu dem gefilterten Orientierungsfeld, mit besonderen Bedingungen Phase-Porträt Karten auf bestimmte Arten von verwandten wählen Knoten patterns 11,20.
  6. Stimme abgeben, wenn bestimmte Bedingungen an der Position von der Festpunkt für jede Position des Analysefensters, um den Knoten zu bilden Karte gegeben erfüllt sind.
  7. Filtern Sie die Knoten-Karte mit einer Gauß-Fenster der Größe 35 x 35 Pixel, mit dem empirisch ermittelten Standardabweichung von 6 Pixel (4,8 mm), um Stimmen in unmittelbarer Nähe zueinander zu festigen.
  8. Analysieren Sie den Knoten Karte Rang Bestellung der Spitzen in der Knoten Karte.
  9. Schnittbereichen (ROIs), der Größe 128 x 128 Pixel mit Ausnahme an den Kanten, von dem Originalbild, wobei die Mitte jeder ROI in der Mitte der entsprechenden Spitze in dem Knoten der Karte befindet. An den Rändern des Bildes, das verarbeitet wird, zu schaffen ROIs, so viel von den Bilddaten in dem angegebenen Fenster umfassen.
  10. Leiten Sie Funktionen oder Maßnahmen, um die spiculating Muster auf architektonische Verzerrung Zusammenhang charakterisieren und trennen sie von normalen Gewebemuster, die einige von den Anfangsbedingungen erfüllt.
    11. <li> Entwicklung eines trainierten Klassifikators, um zwischen den Funktionen von Websites mit Architekturstörung und die der normalen Gewebemuster mit einem Trainingssatz von ROIs von einem Radiologen klassifiziert diskriminieren.
  11. Wenden Sie den Klassifikator trainiert, um eine Reihe von Testfällen und überprüfen Sie die Ergebnisse mit der Diagnose durch den Radiologen zur Verfügung gestellt und basiert auf Biopsie.

Schritte 1-9 oben aufgeführt werden automatisch zu einer bestimmten Mammographiebild angewendet. Ausgewählten Schritte des oben genannten Verfahrens werden beschrieben und in den folgenden Abschnitten dargestellt.

2. Vorverarbeitung von Mammographie-Aufnahmen

Die Vorverarbeitungsstufe besteht aus den folgenden Schritten:

  1. Filtern der gegebenen Mammographiebildes unter Verwendung eines Gauss-Filters, mit einer Standardabweichung von 2 Pixeln und Größe von 13 x 13 Pixel bei einer Auflösung von 50 &mgr; m / Pixel und 12 Bit / Pixel, und ab-Probe auf 200 &mgr; m / Pixel und 8 Bits / Pixel Auflösung.
  2. Reflektierendas Bild in der rechten Brust ist.
  3. Segment Brustbereich in der Mammographiebildes unter Verwendung adaptive Schwellwertverfahren Otsu und morphologische Öffnung mit einem scheibenförmigen Strukturelement mit dem Radius 25 Pixel (5 mm bei 200 &mgr; m / Pixel) 21,28,29.
  4. Ermitteln Sie die ungefähre Grenze Brust 10,21.

Fig. 2A zeigt eine ursprüngliche Stand Mammographie. 2B der gleichen Figur zeigt das Ergebnis der Segmentierung der ungefähre Brustabschnitt, der in den nachfolgenden Schritten der Verarbeitung und Auswertung verwendet wird.

3. Extraktion von Orientierte Strukturen unter Verwendung von Gabor-Filter

Die wirkliche Gabor Filterfunktion bei -90 ° ausgerichtet ist in unserer Arbeit als 10,30 angegeben:

Gleichung 1
wo & #963; x und σ y die Standardabweichungswerte in x-und y-Richtung, und f o die Frequenz der modulierenden Sinuswelle. Filter in anderen Winkeln werden durch Drehen diese Funktion mit Koordinatentransformation erhalten als:

Gleichung 2 Ergänzung
wobei (x ', y') ist der Satz von Koordinaten um den Winkel α gedreht.

Die Parameter in der Gleichung 1 zum Filtern Mammogramme in unserer Arbeit unter Berücksichtigung der durchschnittlichen Größe der Brustgewebe-Muster detektiert werden, abgeleitet, wie folgt 10:

  1. Lassen Τ die Vollbreite beim halben Maximum der Gauss-Term in Gleichung 1 entlang der x-Achse.
  2. Lassen Τ = 4 Pixel, entsprechend einer Schichtdicke von 00,8 mm an der Pixelgröße von 200 um.
  3. Berechnen Gleichung 3.3 .
  4. Lassen Sie die Zeit der Kosinus-Term Τ sein, dann, o ƒ = 1 / Τ.
  5. Lassen der Wert von σ y definiert werden als σ y = lσ x, wobei L ist die Dehnung des Gabor-Filter in der Y-Richtung im Vergleich zu der Breite des Filters in der x-Richtung. Für die Analyse von Mammographien bei 200 um / Pixel, die Verwendung l = 8.

Eine Bank von 180 Echt Gabor-Filter gleichmäßig über den Bereich von -90 ° bis +90 ° beabstandet ist in unserem Verfahren für die Erkennung von Mustern in orientierten Mammogramme 10, 21 verwendet. Für jedes gegebene Bild, ein Gabor Betragsbild, M (i, j) und eine Gabor Bildwinkel θ (i, j) werden nach der Reaktion und der Winkel der th erhaltene Gabor-Filter mit dem höchsten Antwort an jedem Pixel (i, j).

Die Gabor-Filter hat einen von Null verschiedenen Amplitudenantwort an dem Ursprung der Frequenzebene (Nullfrequenz). Da Niedrigfrequenzkomponenten sind nicht auf die Anwesenheit von architektonischen Verzerrung Zusammenhang ist es wünschenswert, um die Wirkung der Niedrigfrequenzkomponenten des Mammographiebild der Orientierungsfeldstärke zu reduzieren. Daher werden die Mammographie sind Hochpass vor der Extraktion des Orientierungsfeldes filtriert. Dies wird durch Berechnen der Differenz zwischen dem Originalbild und einem Tiefpass-gefilterte Version des gleichen Bildes erreicht. Der Tiefpassfilter in diesem Schritt verwendet wird, ein Gauß-Filter mit der Standardabweichung σ y gleich wie oben definiert.

Obwohl man das gefilterte Bild speichern für jeden Winkel von Interesse, die in der vorliegenden Arbeit ist die maximale Reaktion bei jedem Pixel über alle Filter (Winkel) verwendetin einem Bild gespeichert ist, bezeichnet als die Gabor Amplitudengang, der entsprechende Winkel der Gabor-Filter wird bei jedem Pixel in einem anderen Bild gespeichert, die als die Gabor Winkelantwort. Zusammen bilden die beiden Ausgangsbilder bilden die Orientierungsfeld des gegebenen Bildes.

Fig. 3A zeigt ein Testbild einer Anlage. 3B zeigt die Fourier-Spektrums des Bildes, die Energiekonzentrationen in verschiedenen Winkeln zeigt. Alle Teile des Bildes mit der gleichen Orientierung, unabhängig von ihrer Position und Größe, ihre Frequenzkomponenten (spektrale Energie) in einem Winkelband oder Sektor bei 90 ° in Bezug auf ihre Orientierung in dem Bild positioniert ist. Die Ergebnisse der Filterung des Bildes mit Gabor-Filter mit Τ = 8 Pixel und l = 8 sind in den Fig. 3C und D dargestellt. Es ist offensichtlich, dass die Gabor-Filter sind Teile der Pflanze unter verschiedenen Winkeln mit hoher mag orientiert extrahiertnitude Antwort und Reaktion, dass der Winkel stimmt mit der Orientierung der dominanten Merkmal vorhanden an der entsprechenden Pixel. Durch die Verwendung einer Bank von Gabor-Filtern bei verschiedenen Winkeln über den Bereich von -90 ° bis +90 ° ausgerichtet ist, haben wir alle in dem Bild und der Winkel an jedem Pixel vorhanden orientierten Komponenten extrahiert. Es ist offensichtlich, dass die Reaktion der Gabor-Filter ist fast Null in glatten Bereichen mit der gleichen Intensität und keine Strukturen mit Vorzugsorientierung, wie Teile des Topfes und der Wand.

Figur 4 zeigt die Gabor Betrag und Winkel Antworten für die Mammographie mit in 2B gezeigt architektonischen Verzerrung erhalten. Es ist offensichtlich, dass die Gabor-Filter haben orientierten Komponenten mit hoher Reaktionen sowie die entsprechenden Winkel extrahiert. Es ist auch ersichtlich, dass die Reaktion der Gabor-Filter eine geringe glatte Bereiche mit nahezu konstanter Dichte und keine Strukturen mit bevorzugter Orientierungtion. Bei näherer Betrachtung kann auch beobachtet werden, dass die Reaktion der Gabor-Filter hängt der Kontrast einer orientierten Struktur im Verhältnis zu seinem Hintergrund und nicht nur von seiner Dichte oder Helligkeit. Diese Ergebnisse sind aufgrund der Natur der Band Gabor-Filtern.

4. Auswahl der Curvilinear Strukturen

Mammographie enthalten viele clss entsprechend Kanäle, Gefäße, Bänder, Parenchymgewebe, und die Kanten der Brustmuskel. Einige Abnormalitäten in Mammogrammen konnte durch die Anwesenheit von bestimmten Arten von CLS, wie spikuliert Massen 12,31,32 und 10,11,33 Architekturstörung oder durch asymmetrische Struktur des orientierten Textur im Brustbild 34 bezeichnet werden. Andererseits können bestimmte Arten von Läsionen, wie umschriebenen Massen könnte durch mehrere CLSS auf die Läsionen in den projizierten Mammografiebildern lagert verdeckt werden; das Auftreten solcher Läsionen könnte alt seinEred und kann zu falsch-negativen Erkennung oder Fehldiagnosen führen. Die Analyse der vorliegenden clss in Mammographien können die Leistung von Algorithmen zur Erkennung von spikuliert Massen und Architekturstörung zu verbessern, wie Zwiggelaar et al. 35 vorgeschlagen. Daher ist die Identifizierung von CLSS ein wichtiger Schritt bei der Erkennung von architektonischen Verzerrung.

Obwohl die Gabor-Filterbank in der vorliegenden Arbeit verwendet wird, ist empfindlich für lineare Strukturen, wie beispielsweise Nadeln und Fasern, erkennt es auch andere starke Kanten wie Flanken des Brustmuskels, Kanten des Drüsengewebe und Gefäßwände, wie orientierten Strukturen . Starke Ränder um die fibroglandular Scheibe 36 könnte in der Detektion von einer bestimmten Form des architektonischen Verzerrung 37 als Brennzurückziehen bekannt ist, verwendet werden. Wird in der vorliegenden Arbeit ist es jedoch wichtig, dass nur clss Zusammenhang mit fibroglandular Gewebe als orientierten Features identifiziert.

  1. Segment der Brustbereich in einer bestimmten Mammographie, wie in Abschnitt 2 beschrieben.
  2. Erkennen Kern CLS Pixel, die durch die Anwendung der NMS an die Technik 35,38 Gabor Bild Amplitudengang.
  3. Ablehnen clss Pixel an Standorten mit einer starken Steigung 33.

Das NMS Algorithmus identifiziert Kern CLS Pixel durch Vergleichen jedes Pixels in dem Bildgrößenreaktion mit seinen Nachbarn entlang der Richtung, die senkrecht zu der lokalen Orientierung Feldwinkel ist, siehe 5. Wenn das Pixel in Untersuchung hat einen größeren Wert als die Größe der entsprechenden Nachbarn das Pixel ein Kern CLS Pixel. NMS ist ein üblicher Schritt bei vielen Kantendetektoren (wie der Canny-Kantendetektor 39). Zwiggelaar et al. 35 gebrauchte NMS für den Nachweis von CLS Pixel in der gleichen Weise, wie dies beschrieben ist inAbschnitt.

Die Anwesenheit einer starken Gradienten könnte eine Welligkeit in der Gabor-Amplitudenantwort verursachen, was zu einer fehlerhaften Detektion eines CLS. Die Kern CLS Pixel mit der Anwesenheit von starken Gradienten assoziiert sind, die durch Karssemeijer und te Bremse 12 in Zusammenhang mit der Detektion von Läsionen spikuliert vorgeschlagenen Kriterien zurückgewiesen. Der Gradient der Mammographiebild unter Verwendung der ersten Ableitung des Gaußschen mit einer Standardabweichung von fünf Pixeln (1 mm) erhalten. Für jeden Kern CLS Pixel wird die Richtung des Gradienten zu der Richtung des Orientierungsfeldes verglichen. Wenn die Differenz zwischen der Richtung des Orientierungsfeldes und die Richtung senkrecht zu den Gradienten ist kleiner als 30 °, wird der entsprechende Kern CLS Pixel verworfen.

Die CLSS im fibroglandular Platte besitzen typischerweise reduzierter Kontrast im Vergleich zu den CLSS außerhalb des fibroglandular Platte. Folglich sind die clss innerhalb der fibroglandular Platte haben kleinere Gabor Amplitudengang Werte als die clss außerhalb der Festplatte. Um das gleiche Gewicht an alle CLS Pixel unabhängig von Ort zuordnen und den Nachweis der betreffenden CLSS mit geringem Kontrast, wie Nadeln im fibroglandular Platte zu gewährleisten, ist die Größe Feld M (i, j) ersetzt, Weiterverarbeitung durch eine Bild nur Kern CLS Pixeln, CLS M (i, j) wie folgt definiert:

Gleichung 3
Das Bild CLS M (i, j) vermittelt wichtige Informationen über das Vorhandensein von clss. Abbildung 6 zeigt die Ergebnisse der CLS-Auswahl mit einem vollen Mammographie und einer ROI. Da die Anwesenheit von architektonischen Verzerrung wird durch die geometrische Anordnung der zugehörigen CLSS anstatt ihre Dichte oder Intensität der Größenord angegebentude des erfassten clss von geringerer Bedeutung als die räumliche Anordnung der orientierten Strukturen.

5. Erkennung und Markierung der Verdächtige Seiten über Analyse der Phase-Portraits

Rao und Jain 40 eine Methode für die Analyse von orientierten Textur in Bildern durch Zuordnen des entsprechenden Gradienten-Orientierungs-Feldes mit dem Auftreten der Phasenportraits. Eine Phase-Porträt von einem System von zwei linearen erster Ordnung, Differentialgleichungen zeigt die möglichen Flugbahnen der Zustandsgrößen 27.

Es sei p (t) und q (t), t ISIN Symbol R, stellen zwei differenzierbare Funktion der Zeit t, wie im Zusammenhang

Gleichung 3
Hier• p (t) und q • (t) sind die Ableitungen erster Ordnung bezüglich der Zeit, und F und G sind Funktionen von p und q 10. Angesichts der Anfangsbedingungen p (0) und Q (0), die Lösung [p (t), Q (t)] kann in der Form einer parametrischen und Weise dargestellt oder Straffung eines hypothetischen Teilchen in der (p, q )-Ebene. Das Teilchen platziert [P (0), Q (0)] zum Zeitpunkt t = 0 und bewegt sich durch die (p, q)-Ebene mit der Geschwindigkeit [• p (t) und q • (t)]. Das (p, q)-Ebene wird als die Phasenebene des Systems bekannt. Ein Phasenbild ist ein Diagramm der möglichen Trajektorien eines Teilchens in der Phasenebene. Ein fester Punkt ist ein Punkt in der Ebene, in der Phase p • ( m> t) = 0 und q • (t) = 0 ist. Ein Teilchen in einem festen Punkt links stationär bleibt. Für eine affine System haben wir

Gleichung 4
Hier ist A eine 2 x 2-Matrix und b eine 2 x 1 Spaltenmatrix. Der Mittelpunkt (p 0, q 0) der Phasenbild wird durch die Festpunkt als gegeben

Gleichung 5
Wenn wir assoziieren die Funktionen p (t) und q (t) mit den Koordinaten x und y der Ebene des Bildes, das verarbeitet wird, ist der entsprechende Orientierungsfeld

res.jpg "width =" 500 "/>
Hier Φ (xy) ist der Winkel des Geschwindigkeitsvektors [p • (t), q • (t)] in Bezug auf die x-Achse bei (x, y) = [p (t), Q (t)] . Wir verbinden Φ (xy) mit der Gabor Winkel θ Reaktion (i, j), und Definieren einer Fehlerfunktion minimiert werden als

Gleichung 7
wobei [a, b] und [c, d] sind die beiden Reihen von A. Der letzte Term sorgt für eine höhere Strafe (Kosten) für die Abweichung in den Konfigurationen der Matrix A von denen, spikuliert Knotenmuster zusammen. Die obige Gleichung stellt Φ (xy) auf einem diskreten Gitter (i, j) an Stelle der kontinuierlichen Raum (x, y). EstimAtes von A und B, ε 2 zu minimieren (A, B) durch das folgende Verfahren erhalten:

  1. Erhalten ersten Schätzungen von A und B durch die Minimierung von ε 2 (A, b) mit Hilfe des Simulated Annealing Verfahren 41.
  2. Erhalten Sie die optimale Schätzungen durch Verfeinerung der ersten Schätzungen mit einem nichtlinearen Least-Squares-Algorithmus 42.

In dem oben beschriebenen Modell, gibt es drei mögliche Typen von Phasenportraits: Knoten, Sattel, und Spirale. Die Art des Phasenbild wird durch die Eigenwerte von A 10,27,30,40 bestimmt. Das Orientierungsfeld eines strukturierten Bildes kann durch die Bestimmung der Art des Phasenbild am ähnlichsten zu seiner Orientierung Feld beschrieben. Da Spiralmuster nicht von Interesse sind bei der Analyse vonMammogramme, beschränken wir die Matrix A symmetrisch ist, was nur zwei Arten von Phasenportraits: Knoten und Sattel.

Wegen der erwarteten Vorhandensein einer Anzahl von Nadeln in verschiedenen Winkeln, die in dem projizierten Bild überlagert Mammographie erhalten, wir die Hypothese auf, dass eine Seite der architektonischen Verzerrung Knoten artige Eigenschaften aufweisen. Jedoch könnten normale Gewebe, Kanäle, Schiffe und andere orientierten Strukturen in der Brust ebenfalls projiziert und die Muster überlagert, die das Erscheinungsbild der architektonischen Verzerrung in einem Mammogramm zu imitieren Form zu erhalten. Daher analysieren wir den Knoten Karte für den Nachweis von verdächtigen Websites oder potenzielle Standorte von architektonischen Verzerrung und durch weitere Schritte Merkmalsextraktion und Klassifikation von Mustern analysieren die erfassten Seiten.

Da eine Mammographie könnte mehrere Muster aufweisen, wenden wir einen gleitenden Analyse Fenster der Größe 10 x 10 Pixel, bei 800 um / Pixel, mit one Pixel pro Schritt. Für jede Position des Fensters wird eine Abstimmung in einer Karte, die als Knoten bezeichnet gegossen Karte an der Position, von der entsprechenden festen Punkt gegeben, wenn alle Bedingungen erfüllt sind, aufgebracht. Ergebnisse der Matrix A mit ihrem Konditionszahl größer als 3,0 bezogen werden abgelehnt, um Muster nicht zu erwarten, mit architektonischen Verzerrung 11 zugeordnet werden zu ignorieren. Weiterhin ist eine zusätzliche Bedingung auf dem Abstand zwischen einem festen Punkt und der Position der entsprechenden Analysefenster festgesetzt: Wenn der Abstand weniger als drei Pixeln (2,4 mm) oder mehr als 20 Pixel (16 mm), die Ergebnisse der aktuellen Analysefenster werden abgelehnt. Die Größe der Abstimmung ist gleich dem Verhältnis der Maßnahme fit ε 2 (A, b), in Gleichung 7, auf die Konditionszahl von A, um die Isotropie des Phasenporträt zu betonen. Der Knoten Karte wird dann analysiert, um zu erkennen, local Maxima oder Spitzen, die voraussichtlich zu den Orten der Architekturstörung hinweisen. Jedoch führt das Verfahren auch bei der Detektion von einer Anzahl von falsch-positiven (FP)-Stellen durch überlagerte normalen Strukturen.

An jeder Spitze in der Knoten Karte wir automatisch extrahieren einen ROI, der Größe 128 x 128 Pixel, außer an den Rändern der Bilder, von der Mammographie-Bild bei 200 um / Pixel. Wir bezeichnen die ROIs mit den von den Spitzen in dem Knoten der Karte angegebenen Stellen in absteigender Reihenfolge der Werte der Spitzen, bis zu einem Maximum von 30 pro ROIs Mammographie.

Wenn Mammographie mit bekannten Diagnosen verwendet werden, um unsere Verfahren auszubilden, die automatisch erkannt ROIs mit ihren Zentren in den Teilen der architektonischen Verzerrung durch den Radiologen identifiziert werden als richtig-positiv (TP) markiert ROIs, die anderen sind als FP ROIs zur Verwendung in markierten die Trainingsverfahren. Wenn ein Mammogramm Verwendung des trainierten Verfahren analysiert, alle der ROIs detektiert eins oben für die Einstufung ohne Kennzeichnung verarbeitet.

Fig. 7 zeigt die Karte und die Knoten für die in Fig. 2B gezeigt Mammographie detektiert ROIs. Die roten Rechtecke zeigen die verdächtige Bereich durch den Radiologen markiert.

Fig. 8 zeigt eine Anzahl von TP und FP ROIs automatisch aus mehreren Mammogramme extrahiert. Die meisten der TP ROIs haben mehrere Nadeln und orientierte Muster über einen großen Winkelbereich zu verbreiten. Die FP-ROIs andererseits eine geringere Anzahl von normalen Gewebestrukturen über einen engeren Bereich von Winkeln ausgerichtet sind; unabhängig durch ihre Überlagerung in dem projizierten Bild Mammographie, die knotenähnlichen Eigenschaften von Architekturstörung sie nachahmen.

Unsere Strategie ist es, verdächtige Regionen mit hohem Wirkungsgrad oder Empfindlichkeit in der Anfangsphase (mit entsprechend niedrigen falsche Negative) zu erkennen, auch wenn die Begleitnummer von RP ist groß. Der nächste Schritt der Analyse der ROIs wird besonders auf eine Reduzierung der RP über effizienten Charakterisierung und Klassifizierung der erfassten ROIs.

6. Charakterisierung von Architektur-Distortion

Ein automatisch erkannt ROI einschließlich Architekturstörung, bei einer Spitzen in der zugehörigen Knoten Karte zentriert, wahrscheinlich mehrere Nadeln in verschiedenen Winkeln gestreut besitzen. Wir erwarten, dass diese Eigenschaften, um einem breiten Winkelverteilung der Energie im Bildbereich und die spektrale Energie in der Fourier Domain. In unseren früheren Arbeiten haben wir gezeigt, dass eine solche Winkeldispersion kann effizient in der Form einer Rose Diagramm, das eine Winkel 21,22 Histogramm dargestellt werden. Wir normieren die Rose Diagramm Flächeneinheit haben und behandeln es als eine Wahrscheinlichkeitsdichtefunktion (PDF). Dann zeichnen wir die PDF von jeder ROI mit Entropie, die ein statistisches Maß für die Unordnung oder streuen ist.

NHALT "> Die erhöhte Streuung der Gewebemuster in Regionen mit Architekturstörung ändert die fraktale Natur der normalen Brustgewebe. Die häufigsten verwendeten Modelle der Fraktale auf Multiskalen verschachtelte Muster der selbstähnlichen Muster 43-46 basiert. Ein weiteres Modell der fraktalen Verhalten ist fraktionierte Brownsche Bewegung (FBM), die ein Spektrum in dem Frequenzbereich, in dem die Strom proportional zu (1 / f) abnimmt zusammenhängt ^ β, f die Frequenz und β wird als spektrale Komponente 47,48 bekannt. Die fBm Modell führt zu Fraktal-Bilder, die ähnlich wie Zufalls bewölkt Muster sind;. vergleichbare Muster werden oft in Mammographien gesehen Um dieses Modell auf Bilder anwenden, die zweidimensionale (2D) Fourierspektrum des Bildes muss auf einer anderen umgewandelt werden eindimensionale (1D)-Funktion.

Wir haben ein integriertes Verfahren zur Winkelstreuung zu charakterisieren und eine Schätzung der fraktalen dimens abzuleiten entwickeltenIon (FD) des Bildes durch Abbilden der 2D-Fourier-Spektrum des Bildes in rechtwinkligen Koordinaten, durch S bezeichnet (u, v), um ein Spektrum in Polarkoordinaten, mit s (f, Ν). Das Verfahren ist durch folgende Schritte 21 beschrieben:

  1. Tragen Sie die von Hann-Fenster automatisch zu jedem extrahierten 128 x 128 ROI und Pad das Ergebnis mit Nullen auf ein Array von der Größe 256 x 256 Pixel.
  2. Berechnung der 2D-Fourier-Transformation des gepolsterten ROI und der Größe jedes resultierenden komplexen Wert, um eine Schätzung des Leistungsspektrums S (u, v), der ROI zu erhalten.
  3. Identifizieren Sie ausgewählt Niederfrequenz-und Hochfrequenz-Bereiche des Spektrums für den Ausschluss in den nachfolgenden Schritten.
  4. Karte der 2D-Leistungsspektrum S (u, v) von der kartesischen (rechteckigen) Koordinaten (u, v) zu den Polarkoordinaten (ƒ, Ν) bis S zu erhalten (ƒ, Ν), durch Resampling und Berechnen eines gewichteten Durchschnitt der vier Nachbarn von Each Punkt radialen Abstand f zwischen Null und der Hälfte der Abtastfrequenz ist, und über den Bereich der Winkel Ν = [0, 179 °].
  5. Transformation der 2D-Spektrum S (f, Ν) in ein 1D-Funktion S (f), durch die Integration als eine Funktion des radialen Abstands oder der Frequenz f von der Nullpunkt-Frequenz über den Bereich in Ν = [0, 179 °] Winkel.
  6. Bewerben lineare Regression zu einem begrenzten Frequenzbereich des 1D-Spektrum S (f) auf einer log-log-Skala, ohne Punkte in ausgewählten Niederfrequenz-und Hochfrequenz-Regionen und erhalten die Steigung β der angepassten Linie, die eine Schätzung die spektrale Komponente in der fBm Modell.
  7. Berechnen Sie den geschätzten Wert der als FD FD 15,49,50 = (8 - β) / 2.
  8. Transformation der 2D-Spektrum S (f, Ν) in ein 1D-Funktion S (Ν), durch die Integration als eine Funktion des Winkels für Νder Bereich [0, 179 °], von der Null-Frequenzpunkt über radiale Abstand ƒ = [1, 128] Pixel.
  9. Normalisieren S (Ν) an Einheitsbetrag haben und berechnen die Entropie der Folge als Gleichung 6.9 .

Die oben beschriebene geometrische Transformation führt zu einer verbesserten Darstellung und Darstellung der spektralen Eigenschaften von periodischen oder spikuliert Textur 9. Ausgewählt Nieder-und Hochfrequenzbereiche müssen ausgeschlossen werden, um die Auswirkungen der niederfrequenten Komponenten auf das Gesamterscheinungsbild des Bildes und die in dem Bild vorhanden sind große Strukturen sowie um die Auswirkungen von hochfrequenten verhindern bezogen entfernen Lärm. In der vorliegenden Arbeit werden die Frequenzbänder, um bei der Schätzung der β-und FD (dh die nicht-linearen Teile) ausgeschlossen werden, basierend auf Experimenten unter Verwendung von synthetisierten Bildern mit bekannten FD ausgewählt ist, und auch unter Verwendung einesAnzahl der ROIs von Mammographien. Die Palette der ƒ verwendet, um das lineare Modell passen entspricht [6, 96] Pixel oder [0,117, 1,875] mm -1, wobei der Bereich von [1, 128] Pixel entspricht diskrete Darstellung des Frequenzbereichs [0, 2,5 ] mm -1.

Figuren 9 und 10 zeigen die verschiedenen Schritte zur fraktalen Analyse und Abschätzung der Winkelausbreitung der Energie in dem Frequenzbereich für einen TP ROI und einer FP ROI sind. Fig. 9D zeigt die Existenz multidirektionale spiculating Muster für die TP ROI, während in 10D, wird die Ausbreitung von Energie zu einer kleinen Anzahl von Winkelbändern für die FP ROI beschränkt.

7. Pattern Classification and Validation

Wir haben jetzt drei Maßnahmen oder Funktionen für jede ROI automatisch erkannt: [Knotenwert, H F, FD], wie in Abschnitt 6 beschrieben. Wir nutzen diese Funktionen, individually und gemeinsam, um die spiculating Muster auf architektonische Verzerrung Zusammenhang zu charakterisieren und den TP-ROIs von den FP ROIs erkannt zu unterscheiden.

Für die in Abbildung 9 gezeigt TP ROI ist der Merkmalsvektor von den drei Maßnahmen abgeleitet sind [0,0299, 7,2224, 2,3037]. Für die in Abbildung 10 dargestellt FP ROI, ist die entsprechende Merkmalsvektor [0,0349, 6,9444, 2,5223]. Wie erwartet, ist die H F-Wert höher für die TP ROI als für die FP ROI, und der Wert der FD niedriger ist. Jedoch ist der Knotenwert für den ROI TP niedriger als für die FP-ROI, die im Gegensatz zu den erwarteten Unterschiede aufgrund der Anwesenheit von überlappenden Strukturen in der letzteren ist. Im Allgemeinen können wir einige der Features erwarten, um die erwarteten Trends zu folgen und helfen bei der Klassifizierung der ROIs auch wenn andere Features nicht, das erwartete Verhalten zeigen.

Um die Leistung der Merkmale auswerten, Verwenden wir die Fläche unter der ROC-(ROC)-Kurve (AUC) 51,52 und frei-Antwort-ROC (FROC) Analyse 53-55. Für ROC und FROC Analyse mit einer individuellen Funktion, die wir nicht mit einem Klassifikator trainiert, sondern eine gleitende Schwelle wenden wir. Die drei einzelnen Merkmale der Knoten, FD, F und H vorgesehen AUC-Werte von 0,61, 0,59 und 0,64, beziehungsweise, was ein gutes Potenzial, aber nicht ausreichende Leistung in Pattern-Klassifikation anzugeben. Die p-Werte der gleichen Funktionen sind 1.7638e-009, 1.8793e-004 und 2.2615e-013, die statistisch hoch signifikante Unterschiede zwischen den Werten für die Sätze von automatisch erkannt TP und FP ROIs anzuzeigen.

Wenn eine große Zahl von Funktionen verwendet werden, um Proben für die Klassifizierung darstellen, ist es notwendig, um eine optimale Untermenge von Funktionen wählen, um so korrelierten Funktionen zu entfernen und reduzieren die Komplexität der Klassifikator 20-22 auf, mehrere Procedmen, wie schrittweise logistische Regressions 56, können für diesen Zweck verwendet werden. In der vorliegenden Arbeit, da wir mit nur drei Funktionen pro ROI, wir wissen nicht Merkmalsauswahl durchzuführen.

Zur Validierung des trainierten Klassifikator durchzuführen, wenden wir die Muster Klassifizierungsverfahren mit der leave-one-out-Patient-Ansatzes. Wir schließen alle aus den Mammographien des Patienten, aus dem Trainingsverfahren der Klassifikator getestet werden extrahiert ROIs, und dann die so auf die Probe Fall erhalten Klassifikator. Wir wiederholen Sie den Vorgang für die gesamte Datenmenge, ein Fall oder Patienten zu einem Zeitpunkt.

Für ROC-Analyse mit dem Satz von drei Merkmale, verwenden wir ein Klassifizierer, der quadratische Diskriminanzanalyse mit der Bayes-Annahme 57 führt. Um FROC Kurven zu erzeugen, betrachten wir die ROI-TP mit der höchsten Diskriminantwert in den beiden Mammographie-Bilder für den Patienten zur Verfügung, außer in sechs Fällen, in denen nur eineBild ist erhältlich pro Fall.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Die drei Funktionen, nämlich Knotenwert, FD, F und H, sofern die AUC-Werte von 0,61, 0,59, und 0,64 jeweils, wenn jede Funktion wurde für sich allein verwendet. Eine kombinierte Anwendung der drei Funktionen zur Verfügung gestellt verbesserte Leistung mit AUC = 0,70. Die FROC Kurve mit der Kombination der drei Funktionen ist in Figur 11 gezeigt, die eine Empfindlichkeit von 80% bei 5,6 RP / Patienten und 89% bei 7,5 RP / Patienten anzeigt. Verwendung nur der Knotenwert vorgesehen eine Sensitivität von 80% bei 8,1 RP / Patienten und 89% bei 13,8 RP / Patienten.

Die Reduktion von FPs in dem endgültigen Ergebnis ist in Fig. 12 dargestellt. Aus Gründen der Darstellung sind nur sechs ROIs mit den höchsten Rang gezeigt. Die Zahlen vor den Klammern geben die Rangliste auf der Grundlage der von der Bayes-Klassifikator erhalten Scheidungswerte, die Zahlen in den Klammern entsprechen dem früheren Ranking basiert auf den Knoten Karte. Vergleich Trong> Bild 12 mit der Anfangsphase der Erkennung von in Abbildung 7 dargestellt verdächtige ROIs, ist es klar, dass die zur Architekturstörung charakterisieren Funktionen wurden zu einer erheblichen Reduzierung der RP führte, verglichen mit der Anfangsphase der Knotenanalyse, unter Beibehaltung gute Empfindlichkeit der Detektion. Dies ist ein Fall, in dem drei der hoch bewerteten ROIs wurden mit der verdächtigen Architektur Verzerrung durch den Radiologen markiert überlappt, und einen Fall einer erfolgreichen Detektion durch unser Verfahren.

In einer klinischen Anwendung sollte die Anzahl der ROIs in der endgültigen Ergebnis angezeigt werden, abhängig von der gewünschten Empfindlichkeit und der Anzahl der FPs, die toleriert werden würden, sowie die Bevorzugung der Radiologen bestimmt werden.

oad/50341/50341fig1.jpg "/>
Fig. 1 ist. (A) Eine Mammographie vor der Größe 1377 x 850 Pixel bei 200 um / Pixel Auflösung, (A) entsprechende Erfassungs Mammographie der Größe 1374 x 850 Pixel bei 200 um / Pixel Auflösung, (C) vergrößert Region von architektonischen Verzerrung im Bild gezeigt in Teil (A), von der Größe 39,2 mm x 21,8 mm, (D) vergrößert Region Architekturstörung in der in Teil (B) gezeigte Bild, der Größe der Größe 40,8 mm x 26,8 mm. Die Mammographie wurde vor 24 Monaten vor der Detektion Mammographie gemacht. Dies ist ein Fall von Screening entdeckten Brustkrebs. Klicken Sie hier, um eine größere Abbildung anzuzeigen.

41fig2highres.jpg "/>
2. (A) Eine Mammographie vor der Größe 1377 x 850 Pixel bei 200 um / Pixel Auflösung;. (B) entsprechende Bild nach Vorverarbeitung für ungefähre Segmentierung des Brustbereich Klicken Sie hier, um eine größere Abbildung anzuzeigen.

Fig. 3
3. (A) Testbild einer Anlage mit mehreren orientierten Teilen der Größe 646 x 668 Bildpunkte, (B) Fourier-Amplitudenspektrum des Bildes, die Energie bei verschiedenen Winkeln konzentriert, (C) Gabor Amplitudengang, und (D) Gabor Winkel Antwort . 180 Gabor-Filter wurden über den Bereich von -90 ° bis +90 ° verwendet, mit Τ > = 8 Pixel und l = 8. Klicken Sie hier, um eine größere Abbildung anzuzeigen.

Fig. 4
4. (A) Gabor Betrag und (B) Winkel Antworten für die Mammographie mit in 2B gezeigt architektonischen Verzerrung der Größe 1377 x 850 Pixel mit 200 &mgr; m pro Pixel. 180 Gabor-Filter wurden über den Bereich von -90 ° bis +90 ° verwendet wird, mit Τ = 4 Pixel und l = 8 ist. Das Rechteck (rot oder grün) zeigt das Gebiet der Architekturstörung durch den Radiologen markiert, von der Größe 47,6 mm x 29,9 mm. (C), (D) Vergrößerte Ansichten der Region von architektonischen Verzerrung.es/ftp_upload/50341/50341fig4highres.jpg "target =" _blank "> Klicken Sie hier für eine größere Abbildung zu sehen.

Figur 5
Abbildung 5 Die NMS-Technik:. Den länglichen Rechtecks ​​(in grau) bezeichnet die Anwesenheit eines CLS. Die Quadrate kennzeichnen Pixel entlang einer Richtung senkrecht zu der Orientierung der CLS. Die zentrale grüne Quadrat zeigt einen Kern CLS Pixel.

Fig. 6
Abbildung 6. NMS und CLS Auswahlergebnisse auf der vollen Mammographie-Bild in Abbildung 2A überlagert. (A) NMS Ergebnisse. (B) CLS AuswahlErgebnisse. Die in weiß entsprechen CLS Pixel, die für die weitere Analyse beibehalten werden markiert Pixel. (C) NMS Ergebnisse und (D) CLS Auswahlergebnisse in vergrößerte Ansichten für die ROI in 4A markiert. Klicken Sie hier, um eine größere Abbildung anzuzeigen.

Fig. 7
Abbildung 7. (A) Knoten Karte und (b) detektiert ROIs für die in Fig. 2B gezeigt Mammographie. Das Mammographie-Bild ist von der Größe 1377 x 850 Pixel bei 200 um pro Pixel. Die Größe des Architektur Verzerrung (rotes Rechteck) durch den Radiologen markiert ist 47,6 mm x 29,9 mm. Jede ROI ist der Größe 128 x 128 Pixel, außer an den Rändern der imAlter. Klicken Sie hier, um eine größere Abbildung anzuzeigen.

Fig. 8
Fig. 8 Beispiele für (A) -. (C) drei ROIs TP und (D) - (F) drei FP ROIs. Jede ROI ist der Größe 128 x 128 Pixel. Die entsprechenden Knotenwerte werden angezeigt. Klicken Sie hier, um eine größere Abbildung anzuzeigen.

Fig. 9
Abbildung 9. (A) Ein 128 x 128 Pixel TP ROI mit architektonischen dis Verzerrung, Pixelgröße = 200 um. Node Wert = 0,0299. (B) Die 2D-Fourier-log-Leistungsspektrum S (u, v) nach der Anwendung des von Hann-Fenster und Nullen der ROI zu 256 x 256 Pixel erreicht. (C) Das Leistungsspektrum in der (f, Ν-) Raum. Die horizontale Achse entspricht Ν Winkel von 0 ° bis 179 ° und die vertikale Achse entspricht der radialen Frequenz von 0,02 mm -1 bis 2,5 mm -1. Die obere linke Ecke Pixel entspricht Frequenz von 0,02 mm -1 und von 0 °. Eine schwarze Rahmen ist auf das Spektrum angewendet. (D) Winkel Ausbreitung der Macht, S (Ν). Entropy HF = 7,2224. (E) Die 1D Leistungsspektrum S (f), aufgetragen auf einer log-log-Skala als Funktion der Frequenz f Radial. Die lineare Anpassung wird auch gezeigt (rote Linie), die in FD = 2,3037 für den TP ROI geführt.arget = "_blank"> Klicken Sie hier für eine größere Abbildung zu sehen.

10
Abbildung 10. (A) Ein 128 x 128-Pixel-FP ROI; Pixelgröße = 200 &mgr; m. Der ROI verursachte einen FP-Knoten durch überlappende und / oder schneid normalen Strukturen. Node Wert = 0,0349. (B) Die 2D-Fourier-log-Leistungsspektrum S (u, v) nach der Anwendung des von Hann-Fenster und Nullen der ROI zu 256 x 256 Pixel erreicht. (C) Das Leistungsspektrum in der (f, Ν-) Raum. Die horizontale Achse entspricht Ν Winkel von 0 ° bis 179 ° und die vertikale Achse entspricht der radialen Frequenz von 0,02 mm bis 2,50 mm -1 -1. Die obere linke Ecke Pixel entspricht Frequenz von 0,02 mm -1 und von 0 °. A bl ack Rahmen wurde das Spektrum angewendet. (D) Winkel Ausbreitung der Macht, S (Ν). Entropy HF = 6,9444. (E) Die 1D Leistungsspektrum S (f), aufgetragen auf einer log-log-Skala als Funktion der Frequenz f Radial. Die lineare Anpassung wird auch gezeigt (rote Linie), die in FD = 2,5223 für die FP-ROI geführt. Klicken Sie hier, um eine größere Abbildung anzuzeigen .

11
Abbildung 11. FROC Kurve, die die Erkennungsleistung der vorgeschlagenen Funktionen.

oad/50341/50341fig12highres.jpg "/>
12. Endkennzeichnung ROIs für die in Fig. 2 gezeigte ursprüngliche Mammographie. Die verdächtige ROIs in einem früheren Stadium der Verarbeitung festgestellt werden in 7 gezeigt. Die in grün dargestellt Rechtecke stellen TP ROIs in der letzten Phase der Analyse, die übrigen in gelb umrandeten Rechtecke stellen fps oder Fehlalarme. Das Rechteck in rot gibt den Bereich der Architektur-Verzerrung durch den Radiologen für die vorliegende Studie markiert, wurde diese Information nicht in der leave-one-Patienten-out-Verfahren auf den vorliegenden Fall angewandt verwendet und wäre nicht in einer prospektiven Anwendung der zur Verfügung vorgeschlagenen Methoden.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Wir haben eine Reihe von ausgefeilten Techniken der digitalen Bildverarbeitung und Mustererkennung, die auch als maschinelles Lernen und CAD, für den Nachweis von Architekturstörung in der Mammographie vor Krebs Intervall-Fälle bekannt, präsentiert. Die Methoden basieren auf der Analyse der ausgerichteten strukturellen in Mammografiebildern vorliegenden Mustern. Unsere Methoden, darunter mehrere weitere Funktionen in unseren verwandten Arbeiten vorgeschlagen werden, zum Aufspüren von frühen Anzeichen von Brustkrebs 15 Monate vor dem Zeitpunkt der klinischen Diagnose auf dem Durchschnitt, mit einer Sensitivität von 80% bei weniger als 4 RP / Patienten 22 , 58.

In einer möglichen klinischen Anwendung sollten die ROIs durch unsere Verfahren markiert als Ansagen für eine sorgfältige Inspektion der entsprechenden Bereiche der Mammographie durch den Radiologen angesehen werden. Die endgültige Entscheidung über die Anwesenheit oder Abwesenheit von Brustkrebs ist, um durch den Radiologen, die zusätzliche Abbildungsverfahren verlangen kann oder hergestellt werdenklinische Tests, um zu überprüfen oder zu bestätigen Verdacht durch Mammographie und CAD angehoben.

Obwohl unsere Methoden sind spannende Ergebnisse in der vorliegenden retrospektiven Studie zur Verfügung gestellt, sie sind noch nicht bereit für den klinischen Einsatz. Die Verfahren dauern etwa 6 Minuten pro Bild auf einem Dell Precision 490 Workstation mit PWS Quad Intel Xeon Prozessoren, die mit 3,0 GHz, 12 GB RAM, Rechenanforderungen müssen durch optimale Implementierung der Computer-Code reduziert werden. Die Ergebnisse sind vergleichbar oder etwas besser als die in Studien zur Architekturstörung mit handelsüblichen CAD-Systemen 18,59,60, mit dem Unterschied, dass die vorliegende Arbeit ist vor Mammographien Basis berichtet. Die Anzahl der FPs muss auf etwa eine pro Patient mit einem zugehörigen Empfindlichkeit von mindestens 80% reduziert werden.

Einschränkungen gibt es in unserer Arbeit in Bezug auf die Arten von architektonischen Verzerrung durch den verwendeten Modellen festgestellt. Die Methoden müssen teste seind mit größeren Datensätzen. Die in den Verfahren verwendeten Parameter, die empirisch in der vorliegenden Arbeit bestimmt wurden, müssen in Bezug auf die Eigenschaften der Mammographie in einer gegebenen Datenmenge zu analysierende optimiert werden. Wir erwarten, dass unsere Verfahren, um bessere Ergebnisse mit direkter digitaler Mammographie und Brust-Tomosynthese Bilder als solche mit gescannten Bild-Filmbilder wie in der vorliegenden Arbeit erhalten zu führen.

Abschluss

Unsere Methoden vielversprechend bei der Erkennung von Architekturstörung und Brustkrebs im Frühstadium. Weitere Arbeiten sind erforderlich, um die Erkennung von Architekturstörung mit hoher Empfindlichkeit und niedrigem FP Raten.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts zu offenbaren.

Acknowledgments

Diese Arbeit wurde durch Zuschüsse aus dem Sonderforschungs-und Ausbildungs ​​Experience Programme (CREATE) und eine Entdeckung Grant von der Natural Sciences and Engineering Research Council (NSERC) von Kanada unterstützt.

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

Medizin Anatomie Physiologie Krebs-Biologie Winkelstreuung Architekturstörung Brustkrebs Computergestützte Diagnose computergestützte Diagnose (CAD) Entropie gebrochene Brownsche Bewegung fraktale Dimension Gabor-Filter Bildverarbeitung Medizin- Informatik Knoten Karte orientierte Textur Mustererkennung Phasenportraits vor Mammographien Spektralanalyse
Erkennung von Architektur Distortion in Vor Mammographie<em&gt; Über</em&gt; Analyse der 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