Waiting
Login processing...

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

Medicine

이전 유방 X 선 사진에있는 건축 왜곡의 검출 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

우리는 이전 유방 X 선 검사에서 건축 왜곡의 검출 방법을 보여줍니다. 배향 구조는 조직 패턴을 방사의 사이트를 검출하는 가버 필터 및 위상 인물을 사용하여 분석된다. 각 사이트의 특징과 spiculating 패턴을 표현하는 수단을 사용하여 분류된다. 방법은 유방암의 검출을 지원한다.

Abstract

우리는 유방 X 선에 유방 조직 패턴의 방향의 분석에 근거하여 구간 - 암 케이스의 사전 검사 X의 구조적 왜곡을 검출하기위한 방법을 보여준다. 우리는 구조적 왜곡 질량 또는 종양의 형성 전에 유방 촬영 영상에서 유방 조직 패턴의 정상적인 방향을 수정한다는 가설. 우리의 방법의 초기 단계에서, 관련 유방 X 선에 배향 구조는 조직 패턴을 방사하거나 교차 노드와 같은 사이트를 검출하는 가버 필터 및 위상 인물을 사용하여 분석된다. 각각의 검출 된 위치는 다음 노드 값, 프랙탈 차원, 특히 구조적 왜곡과 관련된 spiculating 패턴을 표현하기 위해 고안된 각도 소산의 측정치를 사용하는 것을 특징으로한다.

우리의 방법을 위해 개발 된 기능을 사용하여 56 시간 간격 암의 경우 106 이전 유방 X 선 및 13 정상의 경우 52 유방 X 선 사진의 데이터베이스로 테스트되었습니다건축 왜곡, 차 판별 분석을 통해 패턴 분류하고 떠나 한 환자 중 절차와 검증의 특성. 특성 분석을 운영 무료 응답 수신기의 결과에 따르면, 우리의 방법은 약에서 80 %의 민감도로, 유방암의 임상 진단 전에 (평균) 15 개월 촬영 전에 유방 X 선에 구조적 왜곡을 검출하는 능력을 입증 환자 당 5 잘못된 반응.

Introduction

유방암은 여성에 영향을 미치는 주요 질환과 여성, 2 중 암 관련 사망의 두 번째 주요 원인이다. 생존 가능성 및 유방암의 초기 단계에서의 효과적인 치료를 통해 영향을받는 환자의 예후를 개선하기 위해, 질병은 가능한 빨리 검출되어야한다. 유방암의 경우 후 ​​향적 분석에서 이상의 미묘한 징후가 이전에 취득한 심사 유방 X 선 3,4에서 관찰되었다. 건축 왜곡은 5,6를 감지하기 어려운 유방암의 가능성이 초기 단계의 하나의 지역화 된 유방 촬영 기호입니다. 관련 패턴은 막연하게 더 명확한 질량에 보이는 유방의 정상 구조의 왜곡으로 설명되어 있습니다. 건축 왜곡 유방 질량 또는 종양 형성의 초기 단계에서 나타날 수있다. 우리는 심사 유방 X 선 사진 전에 유방암 C의 검출에 얻은 가설울드 특히, 건축 왜곡 유방암의 초기 단계의 미​​묘한 징후가 포함되어 있습니다.

그림 1a 화면 감지 암의 경우의 이전 유방 촬영 이미지를 보여줍니다. 방사선 (JELD)에 의해 확인 된 이상의 영역은 빨간색 사각형으로 설명되어 있습니다. 종래 유방 X는 24개월도 1b에 도시 된 검출 유방 X 전에 촬영했다. 이전 유방 X 선 검사의 원본 인스턴스에서 암의 징후가 없음을 선언했다. 회고 분석 및 검출 유방 X 선 검출 암의 위치에 관한 의심 영역에 비해,이 방사선에 의해 표시하고, 이전 유방 X 선에 적색에서 설명된다. 의심스러운 지역의 spicules 등의 건축 왜곡의 흔적을 포함하고 있습니다.

컴퓨터 지원 진단 (CAD) 기술과 시스템은 브리의 검출 감도를 증가를 달성하기위한 가능성을 제공성 암 2,7-9. 그러나, 이러한 질량과 석회화와 같은 유방암의 다른 징후의 검출에 관한 문헌에 존재 출판물의 수와 비교하여, 연구의 단지 소수의 부재하에 구조적 왜곡 검출보고되었습니다 중앙 질량 10-17. 시판 CAD 시스템은 건축 왜곡 (18)의 검출에 제대로 수행 할 수 발견되었습니다. 3,4,19-22이 초기 단계에서 유방 질환의 발견과 치료를위한 전략을 개발하는 데 도움이, 그리고 개선으로 이어질 수있는 화면 감지 또는 간격 암의 경우 사전 검사 X - 레이에있는 건축 왜곡의 검출에 관한 연구 환자 23 예후.

실험에 대한 이미지의 준비

실험은 56 개인 106 이전 유방 X 선 검사를 포함하여 158 유방 촬영 영상 진단으로 실시되었다유방암과 13 정상인의 52 이미지. 연구 윤리 승인은 공동 건강 연구 윤리위원회, 의료 생명 윤리의 사무실, 캘거리 대학교 및 캘거리 지역 보건 당국에서 얻어졌다. 유방암 21,24,25의 조기 발견을위한 앨버타 프로그램 : 이미지가 스크린 테스트에서 얻을 수 있었다.

전에 검사 프로그램 외부 암의 진단에 검사 프로그램의 마지막 예약 방문에 인수 유방 X 선은 간격 암의 경우 사전 유방 X 선으로 표시 하였다. 해당 진단 검사 X - 레이를 사용할 수 없었다. 106 이전 유방 X 선 검사의 두 가지를 제외한 모든 검사 프로그램에서 자신의 수집 및 분석시 유방암의 흔적이 없어야 선언했다, 다른 두 유방 X 선 사진에 해당하는 개인은 조직 검사에 대해 언급했다. 암의 진단 및 이전 유방 X 사이의 시간 간격은 1.5였다 달15개월 7 개월의 표준 편차의 평균과 24.5 개월의. 데이터베이스에서 사용할 수있는 간격 암의 경우 이전 유방 X 선 사진의 모든이 더 의심스러운 부분이 식별 할 수있는 여섯 이미지를 제외하고, 본 연구에 포함되었다.

스크린 필름 유방 X 선 사진은 50 μm의 Lumiscan 85 레이저 스캐너 (Lumisys, 서니 베일, CA)을 사용하여 1 픽셀 당 12 비트 그레이 스케일 해상도의 공간 해상도로 디지털화 하였다. 유방 X 선 촬영 (JELD) 전문 전문 방사선 간격 암의 경우 106 이전 유방 X 선 사진을 모두 검토하고 이후의 영상 또는 조직 검사에서 사용할 수있는 보고서를 기반으로 사각형 상자와 건축 왜곡의 의심 영역을 표시하거나, 유방 X 선 검사의 세부 검사로 . 본 연구에 사용 된 데이터 집합의 106 이전에 유방 촬영 이미지, 38 이미지가 눈에 보이는 건축 왜곡이, 나머지 68 이미지가 더 명확하게 의심 또는 EV를 포함건축 왜곡을 답하라. 방사선에 의해 그려진 사각형 상자에 의해 확인 된 각 이전 유방 X 선 건축 왜곡의 단일 사이트가 포함되어 있습니다. 평균 폭, 높이, 및 방사선에 의해 표시된 이미지의 106 의심스러운 부분의 면적은 각각 표준 11.8 mm의 편차, 11.6 ㎜, 1073.9 mm 2로, 56mm, 39mm, 및 2,274밀리미터 2입니다.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. 방법론의 개요

우리의 절차에서 유방 X 선 사진에 건축 왜곡의 잠재적 인 사이트가 자동으로 가보의 은행의 응용 프로그램 중심의 조직 패턴의 분석을 통해 감지 (26) 필터 및 위상의 모델링은 11,27을 초상화. 검색 사이트는 다음 건축 왜곡, 훈련 분류의 개발 및 패턴 인식 또는 분류를위한 알고리즘의 응용 프로그램을 특성화하는 기능 또는 조치의 추출 단계를 통해 처리됩니다. 절차는 다음 단계 11,20,21 의해 요약된다 :

  1. 세그먼트 적응 임계 값 및 형태 학적 개방를 사용하여 주어진 유방 촬영 이미지의 가슴 부분.
  2. 가버, M (I, J), 및 가버 각도 이미지, θ 가버 진폭 화상을 얻을 -90 ° +90 °의 범위에 걸쳐 균일하게 이격 된 각도와 필터 (180)의 집합을 적용(I, J), 각 화소에 가장 높은 응답 (I, J)로 필터의 응답 및 각도를 선택함에.
  3. 등의 spicules 및 fibroglandular 조직으로 그 곡선 구조 (CLSs)를 선택하고, 같은 가슴 근육, 폐 실질 조직, 유방 경계, 및 소음의 가장자리와 같은 혼란 구조에서 그들을 구별하여, 방향 필드를 사용하여 그라데이션 필드, nonmaximal 억제 (NMS) 기술, 그리고 추가 조건 11.
  4. 소음과 추가 계산 요구 11,20을 줄이기 위해 네 가지의 요인에 의해 표준 7 픽셀의 편차 다운 샘플 가우시안 필터로 방향 필드를 필터링 할 수 있습니다.
  5. 특정 유형의 관련 상 초상화의지도를 선택하는 특정 조건을 필터링 된 방향 필드에, 단계마다 하나의 픽셀로, 크기 800 μm의 / 픽셀에서 10 × 10 픽셀의 슬라이딩 분석 창, 선형 위상 세로 모델링 적용 노드 patteRNS 11,20.
  6. 특정 조건이 노드 맵을 형성하기 위해 분석 윈도우의 각 위치에 고정 키워드 관련 위치에서 충족되면, 투표.
  7. 서로 가까이에 도움을 통합하는 6 픽셀 (4.8 mm)의 경험적으로 결정 표준 편차로, 크기 35 X 35 픽셀의 가우시안 창 노드 맵을 필터링합니다.
  8. 랭크 순서화 노드 맵의 피크에 의해 노드 맵을 분석한다.
  9. 노드 맵에 관련된 피크의 중심에 위치한 각 ROI의 센터가 원본 이미지에서 에지, 제외하고 크기 128 X 128 픽셀의 관심 (로아)의 절단 영역. 이미지가 처리되고 가장자리에서, 지정된 창에서 사용할으로서 화상 데이터의 한 많이 포함하도록의 ROI를 생성.
  10. 기능이나 건축 왜곡 관련 spiculating 패턴을 특성화하고 초기 조건을 충족 정상 조직 패턴에서 구분하기위한 조치를 파생시킵니다.
    11. <리> 건축 왜곡이 사이트의 기능과 방사선에 의해 분류 로아의 훈련 세트를 사용하여 정상 조직의 패턴들 사이에 구별 할 수있는 훈련 된 분류기를 개발한다.
  11. 테스트 케이스의 집합에 훈련 된 분류를 적용하고 방사선에 의해 제공되고 조직 검사를 기반으로 진단하여 결과를 확인합니다.

단계는 위에 나열된 1-9 주어진 유방 촬영 이미지에 자동으로 적용됩니다. 위에 나열된 절차의 선택 단계는 다음 절에서 설명 및 예시되어있다.

2. 유방 조영술 이미지의 전처리

전처리 단계는 다음 단계로 구성

  1. 이 화소 및 50 ㎛ / 화소의 해상도로 13 × 13 화소, 12 비트 / 화소의 크기의 표준 편차, 가우시안 필터를 이용하여 관련 유방 촬영 화상을 필터 및 다운 - 샘플 200 ㎛ / 픽셀과 8 비트로 / 픽셀 해상도.
  2. 반영는 오른쪽 가슴의 경우 이미지.
  3. 세그먼트 오츠의 적응 임계 방법 및 반경의 디스크 모양의 구조 요소 25 픽셀 (200 ㎛ / 픽셀의 5 ㎜) 21,28,29과 형태 학적 개방를 사용하여 유방 촬영 이미지의 가슴 지역.
  4. 대략적인 유방 경계 10,21 감지.

도 2a는 일본어 사전 유방 X. 동 도면의도 2B는 처리 및 분석의 후속 단계에서 사용되는 가슴 부분의 대략적인 분할의 결과를 나타낸다 나타낸다.

3. 가보 필터를 사용하여 지향 패턴의 추출

-90 °에서 중심의 실제 가보 필터 기능은 10, 30 등 우리의 일에 지정되어 있습니다 :

식 (1)
위치 & #963, X 및 Y는 σ의 x 및 y 방향의 표준 편차 값이고, ƒ o를 변조하는 정현파의 주파수이다. 다른 각도에서 필터는 다음과 같이 좌표 변환을 사용하여이 기능을 회전하여 얻을 수 있습니다 :

식 2 보충
여기서 (x ', Y') 각도 α만큼 회전 좌표의 집합이다.

(10) 다음과 같이 필터링 유방 X 선에 대한 수학 식 1에서 파라미터는, 고려해야 검출되는 유방 조직 패턴의 평균 크기를 고려하여 우리의 연구에서 도출된다 :

  1. Τ가 x 축을 따라 식 (1)에서 가우스 기간의 절반 최대의 전체 너비하자.
  2. 0의 두께에 대응 Τ = 4 픽셀하자200 ㎛의 픽셀 크기 0.8 mm.
  3. 계산 식 3.3 .
  4. 코사인 기간의 기간이 Τ하자 후, ƒ O = 1 / Τ.
  5. σ의 값이 Y로 정의 될하자 σ Y = Lσ x, x 방향의 필터의 폭과 비교하여 L은, Y 방향의 Gabor 필터의 신도를 결정 어디에. / 픽셀 200 ㎛, 사용 L = 8에서 유방 X 선 분석하십시오.

180 실제 가보의 은행 균등 °가 유방 X 선 (10), (21) 지향 패턴의 검출을위한 우리의 방법에 사용되는 +90의 범위 -90 ° 이상 간격을 필터링합니다. 각 관련 화상의 경우, 가버 진폭 이미지, M (I, J), 및 가버 각도 이미지, θ (I, J) 번째의 응답 및 각도를 이용하여 얻어진다각 픽셀에 가장 높은 응답, (I, J)와 전자 가보 필터.

가보 필터는 주파수 평면 (제로 주파수)의 원점이 아닌 크기 응답이 있습니다. 저주파수 성분은 구조적 왜곡의 존재와 관련되지 않기 때문에, 그것은 배향 필​​드 크기가 유방 촬영 화상의 저주파 성분의 효과를 감소시키는 것이 바람직하다. 그러므로, 유방 촬영 이미지는 종래 배향 필​​드 추출 여과하여 하이 패스이다. 이것은 원래의 이미지와 동일한 이미지의 저역 통과 필터링 된 버전 사이의 차이를 계산함으로써 달성된다. 이 단계에서 사용 된 저역 통과 필터는 Y가 위에서 정의 σ 동등 표준 편차 가우시안 필터이다.

하나는 본 연구에서, 그 각각의 각도에 대한 필터링 된 이미지를 저장할 수 있지만, 사용되는 필터 (각도)의 모든 것을 각 픽셀의 최대 응답은단일 이미지에 저장된, 가버 크기 응답이라고도; 가버 필터의 대응하는 각도가 다른 이미지의 각 픽셀에 저장되어, 가버 각 응답이라. 함께,이 출력 화상은 주어진 이미지의 방향 필드를 제공한다.

도 3a.도 3b는 다양한 각도로 에너지의 농도를 도시 화상의 푸리에 스펙트럼을 나타낸다 식물의 테스트 이미지를 보여준다. 같은 방향으로 이미지의 모든 부분에 관계없이 자신의 위치와 크기의 자신의 주파수 성분 (스펙트럼 에너지) 이미지에서 자신의 방향에 대하여 90 °에 위치 각도 밴드 또는 섹터에 위치하고있다. 가보로 이미지를 필터링의 결과는 Τ = 8 픽셀, L = 8도 3C와 D에 표시됩니다으로 필터링합니다. 그것은 가버 필터가 높은 잡지로 다양한 각도로 지향 식물의 부분을 추출한 것은 분명하다nitude 응답하고 있는지, 각 응답은 대응 픽셀에서 지배적에는 본의 방향과 일치한다. 가보의 은행을 사용하여 +90 °까지의 범위 -90 °에 걸쳐 여러 각도로 지향 필터, 우리는 각 픽셀의 이미지와 자신의 각도에 존재하는 중심의 모든 구성 요소를 추출했다. 또한 가버 필터의 응답은 동일한 강도 레벨 및 제공된 구조 바람직한 방향으로 같은 솥의 부분으로서 및 벽 거의 제로 매끄러운 구역임을 분명하다.

도 4는도 2b에 도시 건축 왜곡 유방 X 선 얻은 가보 크기와 각도 응답을 보여줍니다. 또한 가버 필터 높은 응답뿐만 아니라 대응하는 각도 배향 성분을 추출한 것이 분명하다. 또한 가버 필터의 응답이 바람직 한방으로 거의 일정한 농도와 제공된 구조로 매끄러운 영역에서 낮은 것을 알 수있다기. 닫기 검사에, 또한 가버 필터의 응답이 그 배경과 밀도 나 빛에뿐만 아니라 관련 배향 구조의 콘트라스트에 의존하는 것이 관찰 될 수있다. 이러한 결과는 가버 필터의 통과 대역 특성상있다.

4. 곡선 구조의 선택

유방 X 선 사진은 덕트, 혈관, 인대, 실질 조직과 가슴 근육의 가장자리에 해당하는 많은 CLSs가 포함되어 있습니다. 유방 X 선 사진의 일부 이상은 침상 대중 12,31,32 및 건축 왜곡 10,11,33으로 CLS의 특정 유형의 존재 또는 유방의 이미지 (34)의 중심 소재의 비대칭 구조를 특징으로 할 수있다. 한편, 이러한 외접 질량 같은 병변의 특정 유형, 투사 유방 촬영 영상에서 병변에 중첩 몇개 CLSs 의해 가려 질 수 있었다; 같은 병변의 출현은 ALT 수 있었다ered 및 위음성 검출 또는 오진이 발생할 수 있습니다. Zwiggelaar 외. 35에 의해 제안 유방 X 선에 CLSs 본 분석은 침상 질량체와 구조적 왜곡을 검출하기위한 알고리즘의 성능을 향상시킬 수 있었다. 따라서 CLSs의 식별은 구조적 왜곡의 검출에 중요한 단계이다.

본 연구에서 사용 된 가버 필터 뱅크 등의 spicules 및 섬유와 같은 선형 구조에 민감하지만, 또한 배향 구조 등의 가슴 근육의 가장자리, 실질 조직의 모서리 및 혈관벽 같은 다른 강한 에지를 검출 . fibroglandular 디스크 (36)의 주위에 강한 가장자리 초점 후퇴로 알려진 건축 왜곡 (37)의 특정 형태의 검출에 이용 될 수있다. 그러나, 본 연구에서, 그것은 fibroglandular 조직 만 CLSs 관련이 지향 기능으로 확인하는 것이 중요합니다.

  1. 세그먼트 2 절에 설명 된대로 주어진 유방 X 선 사진에서 가슴 영역입니다.
  2. 가버 크기 응답 콘텐츠에 NMS 기술 35,38을 적용하여 코어 CLS 화소를 검출한다.
  3. 강한 그라데이션 33 사이트에서 CLSs 픽셀을 거부합니다.

NMS 알고리즘은 로컬 방향 시야각에 수직 인 방향을 따라 이웃과 크기 응답의 이미지의 각 픽셀을 비교하여 코어 CLS 픽셀을 식별;도 5 참조. 조사 대상인 화소가 대응하는 이웃보다 더 큰 크기의 값을 갖는 경우, 픽셀은 코어 CLS 화소이다. NMS (예 : 캐니 에지 검출기 39로) 많은 에지 검출기의 일반적인 단계입니다. Zwiggelaar 외. 이것과 동일한 방식으로 CLS 화소 검출을위한 35 중고 NMS섹션.

강한 그라데이션의 존재는 CLS의 오류 검출로 이어지는, 가버 크기 응답에 리플을 일으킬 수 있습니다. 강한 구배의 존재와 연관된 핵심 CLS 픽셀은 침상 병변의 검출 상황에서 Karssemeijer TE 및 브레이크 (12)에 의해 제안 된 기준에 의해 거부된다. 유방 촬영 화상의 구배 오 화소 (1mm)의 표준 편차는 가우스의 차 미분을 사용하여 얻어진다. 각 코어 CLS 화소의 경우, 그라데이션의 방향은 배향 필​​드의 방향과 비교된다. 배향 필드의 방향 및 경사에 대해 수직 방향의 차이가 30 ° 미만이면, 해당 코어 CLS 픽셀은 폐기된다.

fibroglandular 디스크 외부 CLSs에 비해 fibroglandular 디스크 내의 CLSs는 일반적으로 대비를 감소 가지고 있습니다. FIB 내 결과적으로, CLSsroglandular 디스크는 디스크 외측 CLSs보다 작은 가버 크기 응답의 값을 갖는다. 위치와는 독립적 인 CLS의 모든 화소에 동일한 가중치를 할당하고, 그런 fibroglandular 디스크 사이의 spicules 같은 낮은 대비와 관련 CLSs의 검출을 보장하기 위해, 크기들 M (I, J)를위한 대체 단지 코어 CLS 화소로 이루어지는 화상에 의한 추가 처리는 다음과 같이 정의 M CLS (I, J)는 다음과 같다 :

식 3
이미지 M CLS (I, J)가 CLSs의 존재에 대한 중요한 정보를 전달한다. 6도 전체 유방 X 선 및 투자 수익 (ROI)와 CLS 선택의 결과를 보여줍니다. 구조적 왜곡의 존재는 오히려 그들의 밀도 나 강도 그니보다 연관된 CLSs의 기하학적 배열에 의해 지시되고 있기 때문에검출 된 CLSs의 TUDE는 중심 구조의 공간 레이아웃보다 낮은 중요하다.

5. 상 초상화의 분석을 통해 감지 및 의심스러운 사이트의 라벨링

라오 및 제인 (40)는 위상 인물의 외형과 대응 그래디언트 방향 필드를 연결하여 이미지의 배향 텍스쳐 분석 방법을 개발 하였다. 두 선형 시스템, 일차 미분 방정식의 위상 초상화 상태 변수 (27)의 가능한 궤적을 보여줍니다.

하자 P (t) 및 Q (t), t ISIN 기호 R은 같은 관련 시간 t의 미분이 함수를 나타내는

식 3
여기에,피 • (t) 및 Q • (t)는 시간에 대한 1 차 유도체이고, F와 G는 p와 q (10)의 함수이다. 초기 조건 P 관련 (0) 및 Q (0), 용액 [P (t), Q (t)]를, 파라 궤적의 형태로 표현하거나 (p, Q의 가상의 입자 간소화 할 수있다 )면. 입자에 배치됩니다 [P (0), Q (0)] 시간 t = 0에서의 속도 [P의 • (t) 및 Q • (T)]를 (P, Q) 비행기를 통해 이동에서. (P, Q) 평면은 시스템의 위상 평면으로 알려져있다. 상 초상화의 위상 평면에서 입자의 가능한 궤도를 나타내는 그래프이다. 고정 점 (위상 평면 P에서 • 포인트 M> t) = 0 및 Q • (t) = 0. 고정 된 지점에서 왼쪽으로 입자가 고정되어. 아핀 시스템의 경우, 우리는이

식 4
여기서, A는 2 × 2 행렬이고 B는 2 x 1 열 행렬이다. 위상 초상화의 중심 (P 0 Q 0)으로 고정 소수점으로 주어진다

식 5
우리는 이미지가 처리되는 평면의 x 및 y 좌표의 함수 P (t) 및 Q (t)를 연결하면, 대응 방향 필드는

res.jpg "폭 ="500 "/>
여기서, Φ (XY)이 속도 벡터 [P의 • (t), Q의 • (T)] (x, y)의 x 축에 대하여 = 각도 [P (t), Q (t)]입니다 . 우리는 가보 각도 응답 θ (I, J)와 Φ (XY)를 연결하고,로 최소화 할 수있는 오류 함수를 정의

식 (7)
여기서 [A, B]와 [C, D]는 두 행이다. 마지막 항은 침상 노드 패턴에 관련된 것과 매트릭스의 구성에서 차이에 대한 높은 벌금 (비용)을 제공한다. 상기 주어진 수학 식 대신 연속 공간 (x, y)의 이산 그리드 (I, J)에서 Φ (XY)을 나타낸다. Estim및 ε이 최소화 B의 ATES (A, b) 다음의 절차에 의해 수득된다 :

  1. 초기 추정치를 구하고 ε 2의 최소화를 통해 B (A, B) 모의 어닐링 방법 41을 사용.
  2. 비선형 최소 자승 알고리즘 (42)를 사용하여 초기 추정치를 정제하여 최적의 추정치를 얻습니다.

노드, 안장, 그리고 나선형 : 위에서 설명한 모델에서 위상 초상화의 세 가지 종류가 있습니다. 상 초상화의 유형은 10,27,30,40의 고유 값에 의해 결정된다. 질감 된 화상의 배향이 필드의 방향들에 가장 유사한 위상 초상화의 유형 결정에 의해 설명 될 수있다. 나선형 패턴의 분석에 관심이 없기 때문에노드와 안장 : 유방 X 선, 우리는 상 인물의 두 가지 유형의 결과로, 대칭 될 수있는 행렬을 제한.

때문에 투사 유방 촬영 이미지에 중첩 얻을 다양한 각도에서의 spicules의 숫자의 예상 존재, 우리는 건축 왜곡의 사이트 노드와 같은 특성을 소개합니다 가설. 그러나, 정상 조직, 덕트, 혈관, 및 유방의 다른 배향 구조는 투영 및 유방 X 선에 구조적 왜곡의 외형을 모방 패턴을 형성하기 위해 중첩 얻을 수 있었다. 그러므로, 우리는 의심의 사이트 또는 구조적 왜곡 후보지의 검출 노드 맵을 분석하고, 특징 추출 및 패턴 분류의 추가 단계를 통해 감지 된 위치를 분석한다.

유방 X 선 사진이 여러 패턴을 나타낼 수 있기 때문에, 우리는 O로, 800 μm의 / 픽셀로, 크기 10 × 10 픽셀의 슬라이딩 분석 창을 적용단계마다 NE 픽셀. 인가 조건이 모두 만족되는 경우 창의 각 위치에 대하여, 투표가, 대응하는 정점에 의해 주어진 위치에서, 노드 맵이라 맵에 캐스팅된다. 3.0보다 큰 그것의 상태 번호 행렬과 관련된 결과는 구조적 왜곡 11과 관련 될 것으로 예상되지 패턴을 무시 거부된다. 또한, 추가 조건은 고정 점과 대응하는 분석 윈도우의 위치 사이의 거리에 부과된다 : 거리 미만 3 개의 화소 (2.4 mm) 또는보다 큰 20 픽셀 (16mm), 현재의 결과인지 분석 창은 거부됩니다. 투표의 크기가 맞는 ε 2의 측정의 비율과 동일하게 설정된다 (A, B), 위상 초상화의 등방성을 강조하기 위해,의 상태 번호, 식 (7)에 정의되어 있습니다. 노드 맵은 다음 LOC을 검출하도록 분석된다알 최대치 또는 건축 왜곡의 사이트를 표시 할 것으로 예상된다 봉우리. 그러나, 절차는 통상의 중첩 구조로 인해 위양성 (FP) 사이트의 수의 검출 결과.

노드 맵의 각 피크에, 우리는 자동으로 200 ㎛ / 화소의 유방 촬영 영상에서, 크기 128 X 128 픽셀의 이미지의 가장자리를 제외하고, 투자 수익 (ROI)을 추출한다. 우리는 유방 X 30의 ROI 최대까지의 피크 값의 내림차순으로, 노드 맵에서 피크에 의해 표시되는 위치에서의 ROI에 라벨.

알려진 진단과 유방 X 선은 우리의 절차를 훈련하는 데 사용되는 경우, 자동으로이 방사선에 의해 식별 건축 왜곡의 부분 내에서 센터와의 ROI 검출은 진정한 양성 (TP)의 ROI로 표시되며, 다른 사람은 사용을 위해 FP의 ROI로 표시되며 교육 과정. 유방 X 선이 훈련 과정을 사용하여 분석 될 때, ROI는 모두 검출의 위 어떤 표시없이 분류에 처리됩니다.

도 7은 노드의지도 및도 2b에 도시 된 유방 X 선 검출의 ROI를 나타낸다. 빨간색 사각형은 방사선에 의해 표시 의심스러운 지역을 나타냅니다.

그림 8은 여러 유방 X 선 검사에서 자동으로 추출 TP와 FP의 ROI 수를 보여줍니다. 목표 주가의 ROI의 대부분은 각도의 넓은 범위에 걸쳐 여러 가지의 spicules와 지향 패턴이있다. FP ROI에, 다른 한편으로, 각도의 좁은 범위에 걸쳐 견고히 정상 조직 구조의 작은 수있다; 불문 인해 투사 유방 촬영 화상에서의 중첩으로, 그들은 구조적 왜곡의 노드 같은 특성을 모방.

우리의 전략은 (대응 낮은 오판에) 초기의 높은 효율이나 감도가 의심되는 영역을 검출하는 경우에도, 첨부 개수 의 FPS가 크다. 의 ROI 분석의 다음 단계는 검출 된 ROI를 효율적으로 특성 및 분류를 통해 FPS를 줄일 수 있도록 설계되었습니다.

6. 건축 왜곡의 특성

관련 노드 맵에서 피크를 중심으로 건축 왜곡을 포함하여 자동으로 감지 투자 수익 (ROI)은 다양한 각도로 흩어져있는 여러 가지의 spicules을 소유 할 가능성이있다. 우리는이 특성 푸리에 도메인에서 이미지 도메인 및 스펙트럼 에너지의 에너지의 넓은 각도 확산을 초래할 것으로 예상된다. 우리의 이전 작품에서, 우리는 각도 분산 각도 히스토그램 (21, 22) 인 장미 다이어그램의 형태로 효율적으로 표현 될 수 있다는 것을 보여 주었다. 우리는 단위 영역을 가지고 있고 확률 밀도 함수 (PDF)로 취급하기 로즈 다이어그램을 정상화. 다음, 우리는 장애 또는 분산의 통계적 측정 각 ROI 사용하여 엔트로피의 PDF를 특징.

"ontent> 건축 왜곡이 지역의 조직 패턴의 증가 분산은 정상 유방 조직의 프랙탈 특성을 수정합니다. 도형의 일반적으로 사용되는 모델은 자기와 유사한 패턴을 43 ~ 46의 다중 스케일 중첩 된 패턴을 기반으로합니다. 프랙탈 행동의 또 다른 모델은 전원 (1 / F)에 비례하여 감소되는 주파수 영역에서의 스펙트럼에 관련된 부분 브라운 운동 (FBM)는 ^ β, F는 주파수이고, β는 스펙트럼 성분 47,48라고도이다. FBM 모델은 임의의 흐린 패턴과 유사하다 프랙탈 화상 리드;. 유사한 패턴이 종종 유방 X 선 사진에서 볼 수있는 이미지에 모델을 적용하기 위해서, 화상의 2 차원 (2D) 푸리에 스펙트럼 하나로 변환해야 차원 (1D) 기능.

우리는 각 확산을 특성화하고, 프랙탈 dimens의 추정치를 도출하기 위해 통합 된 방법을 개발했습니다S로 표시 직교 좌표에서의 화상의 2 차원 푸리에 스펙트럼을 매핑하여 화상의 이온 (FD) (u, v), S로 표기 극좌표 (ƒ, Ν)에서 스펙트럼. 절차는 다음 단계 (21)에 의해 설명된다 :

  1. 각 자동으로 추출 된 128 x 128의 투자 수익 (ROI) 및 패드 크기 256 X 256 픽셀의 배열을 0으로 결과에 폰 Hann의 창을 적용합니다.
  2. 2 차원 푸리에 전력 스펙트럼 S (u, v), ROI의의 추정치를 획득하기 위해 패딩 ROI 각각 얻어진 복소 값의 크기의 변환을 계산한다.
  3. 후속 단계에서 배제 스펙트럼의 선택된 저주파수 및 고주파수 부분을 식별한다.
  4. 2D 파워 스펙트럼 S지도 (U, V) 직교 리샘플링과의 가중 평균을 계산하여 (직사각형) 좌표 (U, V) 극 좌표 (ƒ, Ν) S를 얻었다 (ƒ, Ν)에서 전자의 네 이웃0에서 샘플링 주파수의 절반에 이르는 반경 방향 거리 f에 대한 각도 및 Ν = [0, 179 °]의 범위 ACH 포인트.
  5. 제로 주파수 Ν의 범위 포인트 = [0, 179 °]의에서 F 반경 거리 또는 주파수의 함수로 통합하여, 1D 함수 S (ƒ)로 2D 스펙트럼 S (ƒ, Ν를) 변환 각도.
  6. 선택된 저주파 및 고주파 영역에있는 점을 제외하고 로그 - 로그 스케일로 1D 스펙트럼 S (ƒ)의 제한된 주파수 범위에 선형 회귀 분석을 적용하고, 추정치 인 피트 라인의 기울기 β를 구하는 FBM 모델의 스펙트럼 성분.
  7. (- β 8) / 2 15,49,50 FD =로 FD의 예상 값을 계산합니다.
  8. 1D 함수 S (Ν)에 2D 스펙트럼 S (ƒ, Ν Transform)을위한 각도 Ν의 함수로서 통합함으로써범위는 [0, 179 °], 반경 거리 ƒ에 제로 주파수 지점에서 = [1, 128] 픽셀.
  9. 부 합이 상태로 결과의 엔트로피를 계산하는 S (Ν)를 정상화 식 6.9 .

위에 설명 된 기하학적 변환은 주기적 또는 침상 질감 (9)의 분광 특성의 향상 표현 및 시각화에 이르게한다. 선택된 로우 및 고주파 영역은 이미지의 전반적인 외관 및 이미지에있는 대형 구조물뿐만 아니라, 고주파의 영향을 방지하기 위해 관련된 저주파수 성분의 효과를 제거하기 위해 제외 할 필요 소음. 본 연구에서, 주파수 대역 (즉, 비선형 부)과 β FD의 추정에서 제외 알려져 FD와 합성 이미지를 사용하여 실험에 기초하여 선택하고, 또한를 사용유방 X 선 사진의 로아의 수. 선형 모델을 맞추기 위해 사용 ƒ의 범위는 [6, 96]의 화소에 대응하거나 [0.117, 1.875] [1, 128] 화소의 범위는 주파수 범위 [0, 2.5의 이산 표현에 대응 mm -1 ] mm -1.

도 9 및 10은 프랙탈 분석 및 TP ROI 각각 FP ROI에 대한 주파수 영역에서의 전력의 각도 확산의 추정을위한 다양한 단계를 도시한다.도 9D는 TP ROI에 대한 다 방향 spiculating 패턴의 존재를 나타내고, 반면 그림 (d)에서, 전원의 확산은 FP 투자 수익 (ROI)에 대한 각 밴드의 작은 숫자로 제한됩니다.

7. 패턴 분류 및 검증

6 절에 설명 된대로 [노드 값, H F, FD를] : 우리는 지금 각각의 투자 수익 (ROI)에 대한 세 가지 조치 또는 기능을 자동으로 감지합니다. 우리는이 기능을 사용, 난ndividually과 공동으로, 건축 왜곡 관련 spiculating 패턴의 특성을 검출 FP 로아에서 TP의 ROI를 구별 할 수 있습니다.

그림 9 TP의 투자 수익 (ROI)은 파생 세 가지 조치에 의해 구성되는 특징 벡터는 [0.0299, 7.2224, 2.3037]입니다. 그림 10의 FP의 투자 수익 (ROI)의 경우, 해당 특징 벡터는 [0.0349, 6.9444, 2.5223]입니다. 예상 한 바와 같이, H F 값은 FP ROI보다 TP의 ROI에 대해 높고, FD의 값은 낮다. 그러나, 노드 값 때문에 후자의 중첩 된 구조의 존재에 대한 기대 차이에 반하는 FP 투자 수익 (ROI)에 대한보다 TP의 투자 수익 (ROI)에 대한 낮다. 일반적으로, 우리는 다른 기능이 예상되는 동작을 설명하기 위해 실패도 예상 트렌드를 따라 로아의 분류에 도움이되는 몇 가지 기능을 기대할 수있다.

기능의 성능을 평가하기 위해우리는 수신기 동작 특성 (ROC) 곡선 (AUC) (51, 52) 및 자유 응답 ROC (FROC) 분석 53-55에서 영역을 사용합니다. 개별 기능을 ROC와 FROC 분석을 위해, 우리는 훈련 분류를 사용하지 않는 대신, 우리는 슬라이딩 임계 값을 적용 할 수 있습니다. 노드의 세 개의 개별 기능, FD 및 H F 패턴 분류에 좋은 잠재적하지만 충분하지 성능을 표시하는 각각 0.61, 0.59, 0.64,의 AUC 값을 제공했습니다. 동일한 기능의 P 값은 자동으로 TP와 FP의 ROI를 발견의 세트에 대한 자신의 값 사이에 통계적으로 매우 유의 한 차이를 나타냅니다 1.7638e-009, 1.8793e-004, 및 2.2615e-013입니다.

특징의 다수는 분류를 위해 샘플을 나타내는 데 사용되는 경우, 이는 상관 된 기능을 제거하고 분급 20-22의 복잡도를 감소 시키도록 기능의 최적 서브 세트를 선택하는 것이 필요하다; 몇개 proced그러한 로지스틱 회귀 (56) 등 URES은이 목적을 위해 사용될 수있다. 우리는 투자 수익 (ROI) 당 세 가지 기능을 사용하고 있기 때문에 본 연구에서는, 우리는 기능 선택을 수행하지 않습니다.

훈련 분류의 유효성 검사를 수행하기 위해, 우리는 떠나 한 환자 아웃 방식의 패턴 분류 절차를 적용한다. 우리는 분류기의 훈련 과정에서 시험 될 환자의 유방 X 선 사진에서 추출 된 ROI를 모두 포함하지 않으며, 그래서 다음의 테스트 케이스에 얻어지는 분류기를 적용. 우리는 그 다음 번에 ​​전체 집합 한 경우 또는 환자에 대한 절차를 반복한다.

세 가지 기능의 세트 ROC 분석을 위해, 우리는 베이지안 가정 (57) 차 판별 분석을 수행하는 분류기를 사용합니다. FROC 곡선을 생성하기 위해, 우리는 1 ~ 6의 경우를 제외하고는 환자에 사용할 수있는 두 개의 유방 촬영 영상에서 가장 높은 판별 값과 TP 투자 수익 (ROI)을 고려이미지는 각 케이스마다 사용할 수 있습니다.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

세 가지 기능, 각 기능이 자체적으로 사용되었다, 즉, 노드 값, FD, 및 H F, 0.61의 제공 AUC 값, 0.59, 0.64, 각각. 세 가지 기능을 결합하여 사용 AUC = 0.70으로 향상된 성능을 제공했습니다. 세 가지 기능의 조합을 얻을 FROC 곡선은 7.5 FPS / 환자에서 5.6 FPS / 환자와 89 %에서 80 %의 민감도를 나타내는 그림 11에 나와 있습니다. 오직 노드 값의 사용은 13.8 FPS / 환자에서 8.1 FPS / 환자와 89 %에서 80 %의 민감도를 제공 하였다.

최종 결과의 FPS의 감소는도 12에 도시되어있다. 션을 위해, 가장 높은 랭킹이 최저 여섯 개의 ROI가 도시된다. 괄호 밖의 숫자는 베이지안 분류 자​​에 의해 얻어진 값을 기초로 판별 순위를 나타낸다; 괄호 안의 숫자는 노드 맵에 기초하여 이전 순위에 대응한다. 비교 trong는>도 7에 도시 된 의심의 ROI 검출의 초기 단계와도 12는, 그 노드가 분석 초기에 비하여 유지하면서 구조적 왜곡을 특성화하기 위해 사용되는 기능은, FPS의 상당한 감소를 이끌고있다 분명하다 검출 호감도. 이것은 높은 순위의 ROI의 세 가지가 방사선에 의해 표시 건축 왜곡의 의심스러운 지역과 중복, 그리고 우리의 절차에 의해 성공적으로 검출하는 경우를 나타내는 한 경우입니다.

임상 적 적용에서, 최종 결과에 표시 할 로아의 수는 원하는 감도 용납 될 FPS의 개수뿐만 아니라, 방사선의 선호에 따라 결정되어야한다.

oad/50341/50341fig1.jpg "/>
그림 1. 크기 (A) 이전에 유방 X 선 200 ㎛ / 픽셀 해상도 1,377 X 850 픽셀, 200 ㎛ / 픽셀 해상도의 크기 1374 X 850 픽셀의 (A)에 대응 검출 유방 X 선 사진, 이미지의 건축 왜곡의 (C) 확대 영역 표시 크기 40.8 mm X 26.8 mm의 크기의 일부 (B)에 표시된 이미지의 건축 왜곡의 (D) 확대 영역, 부분 (A)에서, 크기 39.2 X 21.8 mm mm의. 이전 유방 X 선 24 개월 검출 유방 X 선 직전 촬영했다. 이 화면에서 감지 된 유방암의 경우입니다. 큰 그림을 보려면 여기를 클릭하십시오.

41fig2highres.jpg "/>
그림 2. 200 ㎛ / 픽셀 해상도의 크기 1377 X 850 픽셀의 (A) 이전에 유방 X 선;. 유방 지역의 대략적인 분할을위한 전처리 한 후 이미지를 대응하는 (B) 큰 그림을 보려면 여기를 클릭하십시오.

그림 3
그림 3. 여러 각도에서 집중 에너지를 보여주는 이미지의 (B) 푸리에 스펙트럼 크기,, (C) 가보 크기 응답 및 (D) 가보 각 응답의 크기 646 X 668 픽셀의 여러 중심 부분과 식물의 (A) 테스트 영상 . 180 가보 ​​필터는 Τ으로, +90 °의 범위에 -90 °를 사용했다 > = 8 픽셀, L = 8.는 큰 그림을 보려면 여기를 클릭하십시오.

그림 4
그림 4. 픽셀 당 200 ㎛의 크기를 1377 X 850 픽셀의 (A) 가보의 크기와도 2b에 도시 건축 왜곡 유방 X 선 사진에 대한 (B) 각 응답. 180 가보 ​​필터는 Τ = 4 픽셀, L = 8, +90 °까지의 범위 -90 °에 걸쳐 사용되었다. (적색 또는 녹색) 사각형은, 방사선에 의해 표시 건축 왜곡의 영역을 표시 크기 47.6 mm X 29.9 mm. (C)는 (D) 건축 왜곡의 지역의 전망을 확대했습니다.es/ftp_upload/50341/50341fig4highres.jpg "대상 ="_blank "> 큰 그림을 보려면 여기를 클릭하십시오.

그림 5
그림 5 NMS 기술 :. 긴 사각형 (회색)은 CLS의 존재를 나타낸다. 사각형 CLS의 방향에 수직 방향의 화소를 나타낸다. 중앙 녹색 사각형은 핵심 CLS 픽셀을 나타냅니다.

그림 6
그림 6. NMS와 CLS 선택의 결과는 그림 2A에서 전체 유방 촬영 이미지를 입혔다. (A) NMS 결과. (B) CLS 선택결과. 추가 분석을 위해 유지됩니다 CLS 픽셀에 흰색 대응으로 표시 픽셀. (C) NMS 결과와 그림 (a)에 표시 한 투자 수익 (ROI)에 대한 확대 뷰 (D) CLS 선택의 결과는. 큰 그림을 보려면 여기를 클릭하십시오.

그림 7
그림 7. (a) 노드지도와 (b)의 ROI는도 2b에 도시 된 유방 X 선 검출. 유방 촬영 이미지는 픽셀 당 200 ㎛에서 크기 1377 X 850 픽셀입니다. 방사선에 의해 표시 건축 왜곡의 영역 (빨간색 사각형)의 크기는 X 29.9 mm 47.6 mm입니다. 각각의 투자 수익 (ROI)은 메신저의 가장자리를 제외하고, 크기 128 X 128 픽셀입니다연령. 큰 그림을 보려면 여기를 클릭하십시오.

그림 8
그림 8 (A)의 예 -. (C) 세 TP의 ROI와 (D) - (F) 세 개의 FP의 ROI. 각 ROI의 크기는 128 X 128 픽셀입니다. 해당 노드 값이 표시됩니다. 큰 그림을 보려면 여기를 클릭하십시오.

그림 9
그림 9. 건축 디스플레이와 (A) 128 x 128의 화소 TP의 투자 수익 (ROI) 왜곡 현상, 픽셀 크기 = 200 ㎛. 노드 값 = 0.0299. (B) 2 차원 푸리에 로그 전력 스펙트럼 S (u, v) 256 X 256 픽셀로 폰 Hann의 창 및 제로 패딩 ROI를 적용한 후의. (C) (f에서 전력 스펙트럼 Ν) 공간. 가로축은 179 °, 0 °의 각도에서 Ν에 대응하고, 종축은 2.5 mm -1 0.02 mm -1에서 방사상 주파수에 대응한다. 왼쪽 상단의 픽셀은 0.02 mm -1과 0 °의 각도의 주파수에 해당합니다. 블랙 프레임은 스펙트럼에 적용되었습니다. (D) 전원의 각도 확산, S (Ν). 엔트로피 HF = 7.2224. (E)은 1D 파워 스펙트럼 S (f) 방사 주파수 (f)의 함수로서 로그 - 로그 스케일로 플롯. 선형 피팅은 TP 투자 수익 (ROI)에 대해 = 2.3037 FD 렸습니다, (빨간 선) 표시됩니다.arget = "_blank"> 큰 그림을 보려면 여기를 클릭하십시오.

그림 10
그림 10. (A) 128 X 128 픽셀 FP 투자 수익 (ROI), 픽셀 크기 = 200 ㎛. 투자 수익 (ROI)은 정상적인 구조를 중복 및 / 또는 교차에 FP 노드가 발생했습니다. 노드 값 = 0.0349. (B) 2 차원 푸리에 로그 전력 스펙트럼 S (u, v) 256 X 256 픽셀로 폰 Hann의 창 및 제로 패딩 ROI를 적용한 후의. (C) (f에서 전력 스펙트럼 Ν) 공간. 가로축은 179 °, 0 °의 각도에서 Ν에 대응하고, 종축은 2.50 mm 0.02 mm -1 -1에서 방사상 주파수에 대응한다. 왼쪽 상단의 픽셀은 0.02 mm -1과 0 °의 각도의 주파수에 해당합니다. BL ACK 프레임은 스펙트럼에 적용되었습니다. (D) 전원의 각도 확산, S (Ν). 엔트로피 HF = 6.9444. (E)은 1D 파워 스펙트럼 S (f) 방사 주파수 (f)의 함수로서 로그 - 로그 스케일로 플롯. 선형 피팅은 FP 투자 수익 (ROI)에 대해 = 2.5223 FD 렸습니다, (빨간 선) 표시됩니다. 큰 그림을 보려면 여기를 클릭하십시오 .

그림 11
도 11. 제안 기능의 검출 성능을 도시 FROC 곡선.

oad/50341/50341fig12highres.jpg "/>
그림 12. 그림 2와 같이 원래의 유방 X 선 사진에 대한 ROI를 최종 표시. 처리의 초기 단계에서 검출 의심의 ROI는도 7에 나타낸다. 녹색에서 설명하는 사각형 분석의 마지막 단계에서 TP의 ROI를 나타내며, 노란색에 설명 된 나머지 사각형 FPS 또는 잘못된 경보를 나타냅니다. 빨간색 사각형이 본 연구의 방사선에 의해 표시 건축 왜곡의 영역을 나타내고,이 내용은 현재의 경우에 적용되는 허가 - 한 환자 아웃 절차에서 사용되지 않았고의 미래 응용 프로그램에서 사용할 수없는 것 제안 된 방법.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

또한 간격 암 케이스의 사전 검사 X의 구조적 왜곡을 검출하기위한 기계 학습 및 CAD로 알려진 디지털 이미지 처리 및 패턴 인식의 정교한 기법의 일련 제시 하였다. 방법은 유방 촬영 영상에 존재하는 중심 조직 패턴의 분석을 기반으로합니다. 우리의 관련 연구에서 제안 된 몇 가지 더 많은 기능을 포함하여 우리의 방법은, 4 개 이하 FPS / 환자의 22에서 80 %의 감도로, 평균에, 15개월 앞서 임상 진단 당시 유방암의 초기 징후를 감지 할 수있다 58.

잠재적 인 임상 응용 프로그램에서, 우리의 절차에 따라 레이블의 ROI는 방사선에 의한 유방 X 선 사진의 해당 지역주의 검사의 지시로 볼 수 있어야합니다. 유방암의 유무에 관한 최종 결정은 추가적인 촬상 절차를 요구할 수도 또는 방사선에 의해 지불되어야한다유방 X 선 촬영과 CAD에 의해 제기 된 의혹을 확인하거나 확인하는 임상 시험.

우리의 방법은 본 후 향적 연구에서 흥미로운 결과를 제공하고 있지만, 그들은 아직 임상 사용을위한 준비가되지 않습니다. 방법은 쿼드 인텔 제온 프로세서 RAM 12 GB의, 3.0 GHz에서 작동과 델 프리시전 PWS 490 워크 스테이션의 이미지 당 약 6 분 소요, 전산 요구 사항은 컴퓨터 코드의 최적 구현에 의해 감소​​ 될 필요가있다. 결과는 비교 또는 본 작품은 이전 유방 X 선 사진을 기반으로하는 구별과 상용 CAD 시스템 18,59,60과 건축 왜곡에 대한 연구에서보고 된 것보다 약간 더 있습니다. FPS의 개수는 적어도 80 %의 민감도와 연관된 환자 당 약로 감소 될 필요가있다.

제한 사항은 사용되는 모델에 의해 검출 된 건축 왜곡의 유형의 관점에서 우리의 작업에 존재합니다. 방법은 숑해야더 큰 데이터 세트와 D. 경험적으로, 본 연구에서 결정된 방법에 사용되는 파라미터는, 분석되는 소정의 데이터 집합의 유방 X의 특성에 관련하여 최적화 될 필요가있다. 우리는 우리의 절차는 본 연구에서와 같이 스캔 스크린 필름 이미지로 얻은 것보다 직접 디지털 유방 X 선 검사와 유방 단층 영상 합성 이미지와 함께 더 나은 결과를 가져올 것으로 예상된다.

결론

우리의 방법은 초기 단계에서 건축 왜곡과 유방암의 검출에 약속을 보여줍니다. 추가 작업은 높은 감도 및 낮은 FP 체크와 건축 왜곡의 검출을 달성하기 위해 요구된다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

저자가 공개하는 게 없다.

Acknowledgments

이 작품은 공동 연구 및 교육 체험 프로그램 (작성) 및 디스커버리 그랜트 자연 과학에서 캐나다의 공학 연구위원회 (NSERC)에서 교부금에 의해 지원되었다.

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

의학 제 78 해부학 생리학 암 생물학 각 확산 건축 왜곡 유방암 컴퓨터 보조 진단 컴퓨터 지원 진단 (CAD) 엔트로피 분수 브라운 운동 프랙탈 차원 가보 필터 이미지 처리 의료 정보학 노드지도 중심의 질감,​​ 패턴 인식 위상 초상화 이전 유방 X 선 검사 스펙트럼 분석
이전 유방 X 선 사진에있는 건축 왜곡의 검출<em&gt;를 통해</em지향 패턴의&gt; 분석
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