Waiting
Login processing...

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

Medicine

Detecção de distorção arquitetural em mamografias anteriores 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

Demonstramos métodos para a detecção de distorção de arquitetura em mamografias anteriores. Estruturas orientadas são analisados ​​usando filtros de Gabor e retratos de fase para detectar locais de irradiando padrões de tecido. Cada local é caracterizada e classificada por meio de medidas para representar padrões spiculating. Os métodos devem auxiliar na detecção de câncer de mama.

Abstract

Demonstramos métodos para a detecção de distorção de arquitetura em mamografias anteriores de casos intervalo de câncer com base na análise da orientação de padrões de tecido mamário em mamografias. Nossa hipótese é que a distorção arquitetural modifica a orientação normal de padrões de tecido mamário em imagens mamográficas antes a formação de massas ou tumores. Nas etapas iniciais de nossos métodos, as estruturas orientadas em uma determinada mamografia são analisados ​​usando filtros de Gabor e retratos de fase para detectar sites de nó-like de irradiar ou interseção padrões de tecido. Cada site detectado é então caracterizada usando o valor do nó, a dimensão fractal, e uma medida de dispersão angular projetado especificamente para representar padrões spiculating associados com distorção arquitetural.

Nossos métodos foram testados com um banco de dados de 106 mamografias anteriores de 56 casos de câncer de intervalo e 52 mamografias de 13 casos normais usando os recursos desenvolvidos para ocaracterização de distorção arquitetural, classificação de padrões através de análise discriminante quadrática e validação com o procedimento leave-one-paciente fora. De acordo com os resultados do receptor sem resposta operar análise característica, nossos métodos têm demonstrado a capacidade de detectar distorção arquitetural em mamografias anteriores, tomada 15 meses (em média) antes do diagnóstico clínico de câncer de mama, com uma sensibilidade de 80% em cerca de cinco falsos positivos por paciente.

Introduction

O câncer de mama é uma das principais doenças que afectam as mulheres e é a segunda principal causa de morte relacionada com câncer entre as mulheres 1,2. A fim de melhorar a chance de sobrevida eo prognóstico dos pacientes afetados através de um tratamento eficaz nos estágios iniciais do câncer de mama, a doença precisa ser detectada o mais cedo possível. Em análise retrospectiva dos casos de câncer de mama, sinais sutis de anormalidades têm sido observadas em mamografias adquiridas anteriormente 3,4. Distorção arquitetural é um tal sinal mamográfica localizada de possivelmente estágios iniciais de câncer de mama que é difícil de detectar 5,6. Os padrões associados são vagamente descrito como distorção da arquitetura normal da mama sem visível massa definida. Distorção arquitetural poderia aparecer nos estágios iniciais da formação de uma massa de mama ou tumor. Nossa hipótese é que mamografias obtida antes da detecção do câncer de mama could conter sinais sutis de estágios iniciais de câncer de mama, em particular distorção, arquitetônico.

Figura 1a mostra uma imagem mamográfica prévia de um caso de câncer detectado tela. A região da anomalia identificada por um radiologista (JELD) é descrito com um retângulo vermelho. A mamografia antes foi feita 24 meses antes do mamograma detecção mostrado na Figura 1b. A mamografia antes tinham sido declarados livres de sinais de câncer na instância original de triagem. Na análise retrospectiva e em comparação com a mamografia de detecção, uma região suspeita relacionada com o local de cancro detectado foi marcado pelo radiologista, e é descrito em vermelho no mamografia antes. A região suspeita contém sinais de distorção da arquitetura, incluindo espículas.

Diagnóstico (CAD) e técnicas de sistemas Computer-aided oferecer o potencial para a obtenção de uma maior sensibilidade na detecção de pãcâncer rua 2,7-9. No entanto, em comparação com o número de publicações que existem na literatura para a detecção de outros sinais de cancro da mama, tais como massas e calcificações, apenas um pequeno número de estudos foram relatados na detecção da distorção de arquitectura, na ausência de um massa central 10-17. Sistemas CAD comercialmente disponíveis têm sido encontrados a um mau desempenho na detecção da distorção de arquitectura 18. Os estudos sobre a detecção de distorção arquitetural em mamografias anteriores de casos detectados na triagem ou intervalo de câncer 3,4,19-22 poderiam ajudar no desenvolvimento de estratégias para a detecção e tratamento de doenças da mama em seus estágios iniciais, e levar a melhora no prognóstico para o paciente 23.

Preparação de imagens para o Experimento

Os experimentos foram conduzidos com 158 imagens mamográficas, incluindo 106 mamografias anteriores de 56 indivíduos diagnosticadoscom câncer de mama e 52 imagens de 13 indivíduos normais. Aprovação de Ética para o estudo foram obtidos a partir de Ética em Pesquisa Conselho Conjunto de Saúde, Gabinete do Médico de Bioética da Universidade de Calgary, e da Autoridade Regional de Saúde de Calgary. As imagens foram obtidas a partir de Screen Test: Programa de Alberta para a detecção precoce do cancro da mama 21,24,25.

As mamografias adquiridas na última visita agendada ao programa de triagem antes do diagnóstico de câncer de fora do programa de triagem foram rotulados como mamografias anteriores de casos de câncer de intervalo. As mamografias diagnósticas correspondentes não estavam disponíveis. Todos com exceção de dois dos 106 mamografias anteriores tinham sido declarados livres de qualquer sinal de câncer de mama no momento da sua aquisição e análise do programa de rastreio, os indivíduos correspondentes às outras duas mamografias foram encaminhados para biópsia. O intervalo de tempo entre o diagnóstico de câncer e mamografias anteriores variou de 1,5 mesess para 24,5 meses, com uma média de 15 meses e desvio padrão de 7 meses. Todas as mamografias anteriores de casos de câncer de intervalo disponíveis no banco de dados foram incluídos no presente estudo, com exceção de seis imagens em que puderam ser identificados sem peças suspeitas.

As mamografias tela de película foram digitalizadas na resolução espacial de 50 mm e resolução em escala de cinza de 12 bits por pixel, utilizando o scanner a laser Lumiscan 85 (Lumisys, Sunnyvale, CA). Um radiologista especialista especializado em mamografia (JELD) revisou todos os 106 mamografias anteriores de casos de câncer de intervalo e marcou as regiões suspeitos de distorção arquitetural com caixas retangulares com base nos relatórios disponíveis no imaging ou biópsia subseqüente, ou por inspeção detalhada das mamografias . Dos 106 imagens mamográficas anteriores no conjunto de dados utilizado no presente estudo, 38 imagens têm distorção arquitetural visível, e os restantes 68 imagens contêm questionável ou não claramente evident distorção arquitetural. Cada mamografia anterior contém um único local de distorção arquitetural, como identificado pela caixa retangular elaborado pelo radiologista. A largura média, altura e área de 106 peças suspeitas de imagens marcadas pelo radiologista de 56 mm, 39 mm, e 2274 milímetro 2, com desvio padrão de 11,8 mm, 11,6 milímetros, e 1073,9 milímetros 2, respectivamente.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Visão Geral da Metodologia

No nosso procedimento, locais potenciais de distorção arquitetural em mamografias são detectados automaticamente através da análise de padrões de textura orientada com a aplicação de um banco de filtros Gabor 26 e modelagem da fase retratos 11,27. Os locais detectados são então processadas através das etapas de extração de recursos ou medidas para caracterizar distorção arquitetural, o desenvolvimento de um classificador treinado, e aplicação de um algoritmo de reconhecimento de padrões ou classificação. O procedimento é resumido pelos passos seguintes 11,20,21:

  1. Segmento da parte de mama na imagem mamográfica dado usando limiarização adaptativa e abertura morfológica.
  2. Aplicar um conjunto de 180 filtros Gabor com ângulos igualmente espaçados ao longo do intervalo -90 ° a 90 ° para obter a imagem magnitude Gabor, a imagem ângulo Gabor M (i, j), e, θ(I, j), por selecção da resposta e do ângulo do filtro com a resposta mais elevada em cada pixel (i, j).
  3. Selecione estruturas curvilíneas (CLSs) de interesse, tais como espículas e tecido fibroglandular, distinguindo-os de estruturas de confusão, tais como bordas do músculo peitoral, o tecido do parênquima, limite de mama e de ruído, utilizando o campo de orientação, o gradiente de campo, a supressão nonmaximal (SMN) técnica e condições adicionais 11.
  4. Filtrar o campo de orientação com um filtro Gaussian com o desvio padrão de 7 pixels e down-amostra por um fator de quatro para reduzir o ruído e outras exigências computacionais 11,20.
  5. Aplicar modelagem fase-retrato linear, com uma janela de análise de deslizamento de tamanho 10 x 10 pixels em 800 mM / pixel, com um pixel por passo, para o campo de orientação filtrado, com condições específicas para selecionar mapas fase de retrato relacionadas a determinados tipos de nó patterns 11,20.
  6. Lançar um voto, se forem respeitadas determinadas condições, na posição determinada pelo ponto fixo para cada posição da janela de análise para formar o mapa nó.
  7. Filtrar o mapa nó com uma janela de Gauss de tamanho 35 x 35 pixels, com o desvio-padrão determinada empiricamente de 6 pixels (4.8 mm), para consolidar úteis em estreita proximidade um do outro.
  8. Analisar o mapa nó pelos picos no mapa nó-ordenação rank.
  9. Cortes regiões de interesse (ROI), de tamanho de 128 x 128 pixels, excepto nas extremidades, a partir da imagem original, com o centro de cada ROI localizado no centro do pico relacionado no mapa nó. Nas bordas da imagem que está sendo processado, criar ROIs para incluir tanto os dados da imagem como disponível na janela especificada.
  10. Derivar recursos ou medidas que caracterizam os padrões spiculating relacionados à distorção da arquitetura e separá-los a partir de padrões de tecido normal que se encontraram algumas das condições iniciais.
    11. <li> Desenvolver um classificador treinado para distinguir entre as características de sites com distorção arquitetural e as de padrões de tecido normal usando um conjunto de treinamento de ROIs classificadas por um radiologista.
  11. Aplicar o classificador treinado para um conjunto de casos de teste e verificar os resultados com diagnóstico fornecidas pelo radiologista e com base em biópsia.

Passos 1-9 listados acima são aplicadas automaticamente a uma determinada imagem mamográfica. Passos seleccionados do processo acima indicadas, são descritas e ilustradas nas secções seguintes.

2. Pré-processamento de imagens mamográficas

A etapa de pré-processamento é constituído pelos seguintes passos:

  1. Filtrar a imagem mamográfica dada usando um filtro Gaussian, com um desvio padrão de 2 pixels e tamanho de 13 x 13 pixels na resolução de 50 mm / pixel e 12 bits / pixel, e down-amostra de 200 mM / pixel e 8 bits Resolução / pixel.
  2. Refletira imagem se do seio direito.
  3. Segmento da região do peito na imagem mamográfica utilizando o método de limiar adaptativo de Otsu e abertura morfológica com um elemento estruturante em forma de disco de raio 25 pixels (5 mm a 200 mM / pixel) 21,28,29.
  4. Detectar a aproximadamente 10,21 limite de mama.

A Figura 2A mostra uma mamografia antes originais. Figura 2B da mesma figura mostra o resultado da segmentação aproximada da parte de peito, que é utilizada nos passos subsequentes de processamento e análise.

3. Extração de Padrões Orientada Usando filtros Gabor

A verdadeira função do filtro Gabor orientada a -90 ° é especificado em nosso trabalho como 10,30:

Equação 1
onde & #963; x e σ y são os valores de desvio padrão nas direções X e Y, e ƒ o é a freqüência da senóide em modulação. Filtros em outros ângulos são obtidos pela rotação esta função através coordenar a transformação como:

Equação 2 suplemento
onde (x ', y') é o conjunto de coordenadas rodadas pela α ângulo.

Os parâmetros na equação 1 para filtrar mamografias são derivados no nosso trabalho, tendo em conta o tamanho médio dos padrões de tecido da mama de ser detectado, como se segue 10:

  1. Vamos Τ ser o de largura total a metade do máximo da expressão de Gauss na Equação 1, ao longo do eixo x.
  2. Vamos Τ = 4 pixels, que corresponde a uma espessura de 00,8 milímetros no tamanho do pixel de 200 um.
  3. Calcular Equação 3.3 .
  4. Deixe o período do termo cosseno ser Τ; então, ƒ o = 1 / Τ.
  5. Deixe o valor de σ y ser definida como σ y = lσ x, onde l determina o alongamento do filtro Gabor na direcção y, em comparação com a largura do filtro na direcção x. Para a análise de mamografias em 200 mM / pixel, use l = 8.

Um banco de filtros de 180 reais Gabor uniformemente espaçados ao longo do intervalo de -90 ° a 90 ° é utilizado nos métodos para a detecção de padrões orientados em mamografias 10, 21. Para cada imagem dada, uma imagem de grandeza Gabor, uma imagem ângulo Gabor M (i, j), e, θ (i, j), são obtidos por meio da resposta e do ângulo de the filtro Gabor com a maior resposta em cada pixel (i, j).

O filtro Gabor tem uma magnitude de resposta diferente de zero na origem do plano de frequência (frequência zero). Como os componentes de baixa frequência não estão relacionados com a presença de distorção de arquitectura, que é desejável para reduzir o efeito dos componentes da imagem mamográfica na magnitude do campo de orientação de baixa frequência. Portanto, as imagens são mamográficas passa alto filtrada, antes da extracção do campo de orientação. Isto é conseguido através do cálculo da diferença entre a imagem original e um filtrado passa-baixo versão da mesma imagem. O filtro passa-baixo utilizado neste passo é um filtro de Gauss com um desvio padrão igual a σ y definido como acima.

Embora se possa salvar a imagem filtrada para cada ângulo de interesse, no presente trabalho, a resposta máxima em cada pixel por cima de todos os filtros (ângulos) utilizado ésalvo em uma única imagem, referida como a magnitude da resposta Gabor, o ângulo correspondente do filtro Gabor é guardado em cada pixel na outra imagem, referida como a resposta ângulo Gabor. Em conjunto, as duas imagens de saída fornecer o campo de orientação da imagem dada.

A Figura 3A mostra uma imagem de teste de uma planta. Figura 3B mostra o espectro de Fourier da imagem, que representa as concentrações de energia em vários ângulos. Todas as partes da imagem com a mesma orientação, independentemente da sua posição e tamanho, tem os seus componentes de frequência (espectro de energia) localizado em uma faixa angular ou sector posicionada a 90 °, relativamente à sua orientação na imagem. Os resultados da filtragem da imagem com filtros Gabor com Τ = 8 pixels e l = 8 são mostradas nas figuras 3C e D. É evidente que os filtros Gabor extraiu partes da planta orientadas em diferentes ângulos com alta magresposta ma magnitude e que o ângulo de resposta está de acordo com a orientação da característica dominante presente no pixel correspondente. Utilizando um banco de filtros Gabor orientada em vários ângulos em relação ao intervalo de -90 ° a 90 °, que extraiu todos os componentes orientados presentes na imagem, e os seus ângulos em cada pixel. É evidente que a resposta dos filtros Gabor é quase zero nas áreas lisas com o mesmo nível de intensidade e sem estruturas com orientação preferencial, tal como partes da panela e a parede.

A Figura 4 mostra as respostas de magnitude e ângulo Gabor obtidos para a mamografia com distorção de arquitectura mostrada na Figura 2B. É evidente que os filtros Gabor ter extraído componentes orientados com respostas elevadas, bem como os ângulos correspondentes. Vê-se também que a resposta dos filtros Gabor é baixa em regiões lisas com densidade quase constante e sem estruturas com orientação preferencialção. Após a inspecção mais próxima, ele pode também ser observado que a resposta dos filtros Gabor depende do contraste de uma estrutura orientada em relação ao seu fundo e não somente sobre a sua densidade ou brilho. Estes resultados são devidos à natureza de passagem de banda dos filtros Gabor.

4. Seleção de Estruturas curvilíneas

Mamografias contêm muitos CLSs correspondentes aos dutos, vasos, ligamentos, tecido do parênquima, e bordas do músculo peitoral. Algumas alterações em mamografia pode ser caracterizada pela presença de certos tipos de CLS, tais como massas espiculadas 12,31,32 e 10,11,33 distorção arquitectónico, ou pela estrutura assimétrica da textura orientado na imagem de mama 34. Por outro lado, certos tipos de lesões, tais como massas circunscritas, pode ser obscurecida por vários CLSs sobrepostas sobre as lesões das imagens projectadas mamográficas, o aparecimento de tais lesões pode ser altrado e pode levar a erros de diagnóstico ou detecção de falso-negativo. Análise do CLSs presente em mamografia pode melhorar o desempenho de algoritmos para a detecção de massas espiculados e distorção arquitectónico, tal como sugerido por Zwiggelaar et al. 35. Portanto, a identificação de CLSs é um passo importante para a detecção de distorção arquitectónico.

Apesar de o banco de filtros Gabor utilizado no presente trabalho é sensível a estruturas lineares, tais como espículas e fibras, também detecta outras arestas fortes, tais como bordas do músculo peitoral, bordas do tecido parenquimatoso e as paredes dos vasos, como estruturas orientadas . Bordos fortes em torno do disco 36 fibroglandular poderia ser usado para a detecção de uma forma particular de distorção arquitectónico 37 conhecida como a retracção focal. No entanto, no presente trabalho, é importante que só CLSs relacionado com tecidos fibroglandular são identificados como características orientadas.

  1. Segmento área da mama em um determinado mamografia, conforme descrito na Seção 2.
  2. Detectar centrais CLS pixels através da aplicação da técnica de NMS 35,38 à imagem resposta magnitude Gabor.
  3. Rejeitar CLSs pixels em locais com um gradiente forte 33.

O algoritmo identifica NMS núcleo CLS pixels por comparação de cada pixel da imagem de grandeza de resposta com seus vizinhos ao longo da direcção que é perpendicular ao ângulo de campo orientação local, ver Figura 5. Se o pixel em estudo tem um valor de grandeza maior do que os vizinhos correspondentes, o pixel é um pixel CLS núcleo. NEM é um passo comum em muitos detectores de bordos (tais como o detector de bordos Canny 39). Zwiggelaar et al. NMS 35 utilizado para a detecção de CLS pixels da mesma maneira como descrito no presentesecção.

A presença de um gradiente de forte poderia causar uma ondulação na magnitude da resposta Gabor, que conduz a uma detecção errónea de um CLS. Os pixels CLS principais associados com a presença de gradientes fortes são rejeitados pelos critérios propostos por Karssemeijer e te Brake 12 no contexto de detecção de lesões espiculadas. O gradiente da imagem mamográfica é obtida usando a primeira derivada de uma Gaussiana com um desvio padrão de cinco pixels (1 mm). Para cada pixel de núcleo CLS, a direcção da inclinação é comparada com a direcção do campo de orientação. Se a diferença entre a direcção do campo de orientação e a direcção perpendicular à inclinação for inferior a 30 °, o correspondente pixel de núcleo CLS é descartado.

Os CLSs dentro do disco fibroglandular tipicamente possuem contraste reduzido, em comparação com os CLSs fora do disco fibroglandular. Conseqüentemente, os CLSs dentro da FIBdisco roglandular ter Gabor menores valores de resposta de magnitude do que os CLSs fora do disco. De modo a atribuir ao mesmo peso de todos os pixels CLS independentes da localização, e para assegurar a detecção da CLSs relevante com baixo contraste, tais como espículas dentro do disco fibroglandular, o campo de magnitude M (i, j) é substituído por processamento adicional por uma imagem composta de apenas núcleo CLS pixels, H CLS (i, j), definidos como se segue:

Equação 3
A imagem H CLS (i, j) transmite as informações importantes sobre a presença de CLSs. Figura 6 mostra os resultados da selecção CLS com uma mamografia completo e uma ROI. Devido à presença de distorção de arquitectura é indicado pela disposição geométrica do CLSs associados, em vez de a sua densidade ou intensidade, a magnitude da CLSs detectado é de menor importância do que a disposição espacial das estruturas orientadas.

5. Detecção e Identificação de sites suspeitos através de Análise de Fase Retratos

Rao e Jain 40 desenvolvido um método para a análise de textura orientado em imagens associando o campo de orientação gradiente correspondente com o aspecto de retratos de fase. Um retrato de fase de um sistema de dois linear, de primeira ordem, equações diferenciais mostra as possíveis trajetórias das variáveis ​​de estado 27.

Seja p (t) e q (t), t ISIN Símbolo R, representam duas funções diferenciáveis ​​de tempo t, relacionados como

Equação 3
Aqui,• p (t) e q • (t) são os derivados de primeira ordem no que se refere ao tempo, e F e G são funções de p e q 10. Dada a condições iniciais p (0) q e (0), a solução de [p (t), q (t)], pode ser representada sob a forma de uma trajectória paramétrico ou optimizar de uma partícula hipotética no (p, q ) de avião. A partícula é colocado em [p (0), q (0)] no tempo t = 0 e se move através do plano (p, q) com a velocidade de [p • (t) e q • (t)]. A (p, q) plano é conhecido como o plano de fase do sistema. Um retrato de fase é um gráfico dos possíveis percursos de uma partícula no plano de fase. Um ponto fixo é um ponto no plano de fase, onde p • ( m> t) = 0 e q • (t) = 0. Uma partícula esquerda em um ponto fixo permanece estacionário. Para um sistema afim, temos

Equação 4
Aqui, A é ​​uma matriz de 2 x 2 e b representa uma matriz de coluna de 2 x 1. O centro (p 0, q 0) do retrato de fase é dado pelo ponto fixo quanto

Equação 5
Se se associar a função p (t) e q (t), com as coordenadas x e y do plano da imagem a ser processada, o campo de orientação correspondente é

"width =" 500 res.jpg "/>
Aqui, Φ (x, y) é o ângulo do vector de velocidade [p • (t), • q (t)] em relação ao eixo x em (x, y) = [p (t), q (t)] . Nós associamos Φ (x, y) com o ângulo θ resposta Gabor (i, j), e definir uma função de erro a ser minimizada como

Equação 7
onde [a, b] e [c, d] são as duas linhas de A. O último termo prevê uma pena maior (custo) para o desvio em configurações da matriz A daqueles relacionados a padrões de nó espiculados. A equação indicada acima representa Φ (x, y) sobre uma grelha discreta (i, j), em vez de o espaço contínuo (x, y). Estimates de A e b que minimize ε 2 (A, B) são obtidos através do seguinte procedimento:

  1. Obter estimativas iniciais de A e B, através da minimização do ε 2 (A, B), utilizando o método de recozimento simulado 41.
  2. Obter as estimativas ótimas refinando as estimativas iniciais, usando um não-linear de mínimos quadrados algoritmo 42.

No modelo descrito acima, existem três tipos possíveis de retratos de fase: nó, de sela, e em espiral. O tipo de fase retrato é determinada pelos valores próprios de A 10,27,30,40. O campo de orientação de uma imagem de textura pode ser descrito por meio da determinação do tipo do retrato de fase que é mais semelhante ao seu campo de orientação. Porque padrões espirais não são de interesse na análise domamografias, que restringem a matriz A ser simétrica, resultando em apenas dois tipos de retratos de fase: nó e de sela.

Por causa da presença esperada de uma série de espículas em vários ângulos que são sobrepostas na imagem mamográfica projetada, que a hipótese de que um site de distorção arquitetural apresentará características de nó-like. No entanto, os tecidos normais, dutos, navios e outras estruturas orientadas na mama também poderia ter projetado e sobrepostas para formar padrões que imitam a aparência de distorção de arquitetura em uma mamografia. Por isso, analisamos o mapa do nó para a detecção de sites suspeitos ou potenciais locais de distorção arquitetural, e analisar os locais detectados através de novas medidas de extração de características e classificação de padrões.

Porque uma mamografia pode apresentar vários padrões, aplicamos uma janela deslizante de análise de tamanho de 10 x 10 pixels, a 800 mM / pixel, com one pixels por passo. Para cada posição da janela, o voto é moldada em um mapa, conhecido como o mapa de nós, na posição determinada pelo ponto fixo correspondente, se todas as condições aplicadas estão satisfeitos. Os resultados relacionados com a matriz A, com o seu número de condição superior a 3,0 são rejeitadas para ignorar os padrões não se espera que sejam associados com distorção da arquitetura 11. Além disso, uma condição adicional é imposta a distância entre um ponto fixo ea posição da janela de análise correspondente: se a distância for inferior a três pixels (2,4 milímetros) ou maior que 20 pixels (16 mm), os resultados para o atual janela de análise são rejeitados. A magnitude da votação é definida igual à razão entre a medida do ajuste ε 2 (A, B), definido na Equação 7, o número de condição de A, para enfatizar a isotropia do retrato de fase. O mapa nó é então analisado para detectar local máximos ou picos que são esperados para indicar locais de distorção arquitetural. No entanto, o processo também resulta na detecção de um número de falsos-positivos (FP) locais devido às estruturas normais sobrepostas.

Em cada pico no mapa nó, podemos extrair automaticamente uma ROI, de tamanho de 128 x 128 pixels, excepto nas arestas das imagens, a partir da imagem mamográfica em 200 mM / pixel. Nós rotular os ROIs nas posições indicadas pelos picos no mapa nó, a fim de os valores dos picos decrescente, até um máximo de 30 ROIs por mamografia.

Quando mamografias com diagnóstico conhecidos são usados ​​para treinar o nosso procedimento, o detectados automaticamente ROIs com seus centros em regiões de distorção arquitetural identificado pelo radiologista são rotulados como verdadeiro positivo (TP) ROIs, os outros são rotulados como FP ROIs para uso em o processo de formação. Quando uma mamografia é analisada utilizando o procedimento de formação, todas as ROI detectada umas acima são processados ​​para a classificação sem qualquer marcação.

A Figura 7 mostra o mapa de nós e os ROIs detectados para o mamograma representado na Figura 2B. Os retângulos vermelhos indicam a área suspeita marcado pelo radiologista.

A Figura 8 mostra uma série de TP e FP ROIs automaticamente extraídos de vários mamografias. A maioria das ROIs TP têm várias espículas e padrões orientados distribuídos por uma vasta gama de ângulos. A FP ROIs, por outro lado, têm um menor número de estruturas de tecidos normais orientadas em uma faixa mais estreita de ângulos, independentemente, devido à sua sobreposição na imagem mamográfica projetado, eles imitam as características do nó do tipo de distorção arquitetural.

A nossa estratégia consiste em detectar regiões com suspeitas de alta eficiência ou sensibilidade, na fase inicial (com correspondentemente baixa de falsos negativos), mesmo se o número que acompanha de FPs é grande. O próximo passo da análise das ROIs é projetado para ajudar a reduzir os PQ via caracterização eficiente e classificação do ROIs detectado.

6. Caracterização de distorção arquitetural

Um ROI detectado automaticamente incluindo distorção arquitetural, centrado em um pico no mapa nó relacionado, é provável que possuem várias espículas espalhadas em vários ângulos. Esperamos que essa característica de conduzir a uma ampla difusão angular de energia no domínio da imagem e energia espectral no domínio de Fourier. Nos nossos trabalhos anteriores, que têm demonstrado que uma tal dispersão angular pode ser representada de forma eficiente sob a forma de um diagrama de rosa, o qual é um histograma angular 21,22. Nós normalizar o diagrama de rosa para ter unidade de área e tratá-lo como uma função de densidade de probabilidade (PDF). Em seguida, caracterizamos o PDF de cada ROI usando entropia, que é uma medida estatística de desordem ou de dispersão.

ONTEÚDO "> O aumento da dispersão de padrões de tecido em regiões com distorção arquitetural modifica a natureza fractal do tecido mamário normal. Os modelos comumente utilizados de fractais são baseados em padrões aninhados multiescala de padrões auto-similares 43-46. Outro modelo de comportamento fractal é movimento Browniano fraccionada (fBm) que está relacionado com um espectro no domínio da frequência, em que o poder diminui na proporção (1 / f) ^ β, onde f é a frequência e β é conhecido como o componente espectral 47,48. A modelo fBm leva a imagens fractais que são semelhantes aos padrões aleatórios nublados;. padrões comparáveis ​​são freqüentemente vistas em mamografias Para aplicar este modelo para imagens, o bidimensional (2D) espectro de Fourier da imagem precisa ser convertido para um função bidimensional (1D).

Nós desenvolvemos um método integrado para caracterizar propagação angular e derivar uma estimativa das dimens fractaision (FD) de uma imagem pelo mapeamento do espectro 2D de Fourier da imagem em coordenadas rectangulares, denotada por S (u, v), a um espectro em coordenadas polares, indicados por (S ƒ, Ν). O procedimento é descrito pelas seguintes etapas 21:

  1. Aplicar a janela de von Hann a cada extraído automaticamente 128 x 128 ROI e pad o resultado com zeros para uma matriz de tamanho 256 x 256 pixels.
  2. Calcule transformar a 2D Fourier do ROI acolchoado e a magnitude de cada valor complexo resultante para obter uma estimativa do espectro de potência, S (u, v), da ROI.
  3. Identificar baixa freqüência e alta freqüência partes selecionadas do espectro de exclusão nas etapas subseqüentes.
  4. Mapa 2D espectro de potência S (u, v) a partir das coordenadas cartesianas (retangulares) (u, v) para as coordenadas polares (ƒ, Ν) para obter S (ƒ, Ν), por amostragem, computando uma média ponderada do quatro vizinhos eponto ada para distância radial f variando entre zero e metade da frequência de amostragem, e ao longo do intervalo de ângulo Ν = [0, 179 °].
  5. Transformar o espectro 2D S (ƒ, Ν) em função 1D S (ƒ), por meio da integração como uma função da distância radial, ou frequência f, do ponto de frequência de zero ao longo da gama em Ν = [0, 179 °] em ângulo.
  6. Aplicar regressão linear para uma faixa de freqüência limitada do espectro 1D S (ƒ) em uma escala log-log, excluindo pontos nas regiões de baixa freqüência e alta freqüência selecionados e obter o β inclinação da linha equipada, que é uma estimativa o componente espectral no modelo fBm.
  7. Calcule o valor estimado de FD como 15,49,50 FD = (8 - β) / 2.
  8. Transformar o espectro S 2D (ƒ, Ν) em função 1D S (Ν), por meio da integração como uma função do ângulo de Νo intervalo [0, 179 °], do ponto de freqüência zero sobre ƒ radial distância = [1, 128] pixels.
  9. Normalizar S (Ν) para ter soma unidade e calcular a entropia do resultado como Equação 6.9 .

A transformação geométrica descrita conduz a melhoria da representação e visualização das características espectrais de textura periódica ou espiculado 9. Regiões de baixa e alta frequência seleccionada precisam ser excluídos para eliminar os efeitos dos componentes de baixa frequência à aparência geral da imagem e as grandes estruturas presentes na imagem, bem como para evitar os efeitos de alta frequência ruído. No presente trabalho, as faixas de frequências a serem excluídos na estimativa de β e FD (ou seja, as parcelas não-lineares) são selecionados com base na experimentação usando imagens sintetizadas com conhecido FD, e também usando umanúmero de ROIs de mamografias. A gama de ƒ usada para ajustar o modelo linear corresponde a [6, 96] pixels ou [0.117, 1.875] mm -1, onde a faixa de [1, 128] pixels corresponde à representação discreta do intervalo [0, 2,5 freqüência ] mm -1.

Figuras 9 e 10 ilustram as várias etapas de análise fractal ea estimativa da propagação angular de potência no domínio da freqüência para um ROI TP e um ROI FP, respectivamente. Figura 9D indica a existência de padrões spiculating multidirecionais para o TP ROI, enquanto na Figura 10D, a propagação de energia é limitado a um pequeno número de bandas angulares para o FP ROI.

7. Padrão de Classificação e Validação

Agora temos três medidas ou recursos para cada ROI detectada automaticamente: [valor do nó, H F, FD], conforme descrito na Seção 6. Nós usamos esses recursos, individually e coletivamente, para caracterizar os padrões spiculating relacionados à distorção da arquitetura e para diferenciar o TP ROIs das ROIs PF detectados.

Para o ROI TP mostrado na Figura 9, o vector de característica composta pelas três medidas derivadas é [0,0299, 7,2224, 2,3037]. Para o ROI FP mostrado na Figura 10, o vector característico correspondente é [0,0349, 6,9444, 2,5223]. Tal como esperado, o valor H F é maior para o ROI TP do que para o FP ROI, e o valor de FD é inferior. No entanto, o valor do nó é mais baixa para o ROI TP do que para o ROI FP, o que é contrário às diferenças esperadas, em virtude da presença de estruturas sobrepostas, neste último. Em geral, podemos esperar algumas das características a seguir as tendências esperadas e ajudar na classificação dos ROIs mesmo que outros recursos não conseguem demonstrar o comportamento esperado.

Para avaliar o desempenho das funções, Usamos a área sob a característica de operação do receptor (ROC) curva (AUC) 51,52 e sem resposta ROC (Froc) análise 53-55. Para ROC e Froc análise com um recurso individual, nós não usamos um classificador treinado, em vez disso, temos um limiar de deslizamento. As três características individuais de nó, FD e H F forneceu os valores da AUC de 0,61, 0,59 e 0,64, respectivamente, o que indica um bom desempenho potencial, mas não adequada em classificação de padrões. Os valores de p dos mesmos recursos são 1.7638e-009, 1.8793e-004, e 2.2615e-013, que indicam diferenças estatisticamente muito significativas entre seus valores para os conjuntos de automaticamente detectado TP e FP ROIs.

Quando um grande número de características são usados ​​para representar as amostras para a classificação, é necessário seleccionar um subconjunto óptima de características, de modo a remover características correlacionadas e reduzir a complexidade do classificador 20-22; vários procediUres, tais como regressão logística 56, pode ser usado para este propósito. No presente trabalho, porque estamos usando apenas três recursos por ROI, que não realizar a seleção de recurso.

Para executar a validação do classificador treinado, aplicamos os procedimentos de classificação de padrões com a abordagem leave-one-paciente-out. Nós excluir todos os ROIs extraídos das mamografias do doente a ser testado a partir do processo de formação do classificador e, em seguida aplicar o classificador assim obtida para o processo de teste. Em seguida, repita o procedimento para todo o conjunto de dados, um caso ou paciente de cada vez.

Para a análise ROC com o conjunto de três recursos, usamos um classificador que realiza análise discriminante quadrática com o pressuposto de Bayesian 57. Para gerar curvas Froc, consideramos o TP ROI com o maior valor discriminante nas duas imagens mamográficas disponíveis para o paciente, exceto em seis casos em que apenas umimagem está disponível por caso.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

As três características, a saber, o valor do nó, FD e H F, os valores da AUC fornecidas de 0,61, 0,59 e 0,64, respectivamente, quando cada recurso foi utilizado em sua própria. O uso combinado dos três recursos fornecidos melhor desempenho com AUC = 0,70. A curva Froc obtido com a combinação de três características é mostrado na Figura 11, o que indica uma sensibilidade de 80% em 5,6 PQ / paciente e 89% em 7,5 PQ / paciente. O uso de apenas o valor do nó forneceu uma sensibilidade de 80% a 8,1 fps / paciente e de 89% a 13,8 fps / paciente.

A redução do PQ no resultado final está ilustrado na Figura 12. Por uma questão de ilustração, apenas seis ROIs com as mais altas classificações são mostradas. Os números entre parênteses indicam fora a classificação baseada nos valores discriminantes obtidos pelo classificador Bayesiano; os números entre parênteses correspondem ao ranking anterior com base no mapa de nó. Comparando trong> Figura 12, com a fase inicial da detecção de ROIs suspeitos mostrados na Figura 7, é evidente que as características utilizadas para caracterizar a distorção arquitectónico levaram a uma redução substancial de PQ, em comparação com a primeira fase da análise de nó, enquanto se mantém boa sensibilidade de detecção. Este é um caso em que três dos ROIs altamente classificados têm sobreposto com a área suspeita de distorção arquitetural marcado pelo radiologista, e representa um caso de detecção de sucesso pelo nosso procedimento.

Em uma aplicação clínica, o número de ROIs para ser exibida no resultado final deve ser determinada em função da sensibilidade desejada e do número de PQ que seriam tolerados, assim como a preferência dos radiologistas.

oad/50341/50341fig1.jpg "/>
Figura 1. (A) A mamografia prévia do tamanho 1377 x 850 pixels a 200 mM resolução / pixel; (A) correspondente mamografia detecção de tamanho de 1374 x 850 pixels de resolução a 200 mM / pixel; (C) região ampliada de distorção arquitetural na imagem mostrada em parte (A), de tamanho 39,2 milímetros x 21.8 mm; (D) região ampliada de distorção arquitetural na imagem mostrada na parte (B), de tamanho de tamanho 40,8 milímetros x 26.8 mm. A mamografia antes foi tomada 24 meses antes da mamografia detecção. Este é um caso de câncer de mama detectado tela. Clique aqui para ver maior figura.

41fig2highres.jpg "/>
Figura 2. (A) A mamografia prévia do tamanho 1377 x 850 pixels a 200 mM resolução / pixel;. (B) imagem correspondente depois de pré-processamento para a segmentação aproximado da região mamária Clique aqui para ver maior figura.

Figura 3
Figura 3. (A) imagem de teste de uma planta com várias partes orientadas, de tamanho 646 x 668 pixels; (B) espectro de Fourier magnitude da imagem que mostra a energia concentrada em vários ângulos; (C) Gabor resposta magnitude, e (D) resposta ângulo Gabor . 180 filtros Gabor foram usados ​​ao longo do intervalo -90 ° a 90 °, com Τ > = 8 pixels e l = 8. Clique aqui para ver maior figura.

Figura 4
Figura 4. (A) magnitude Gabor e (b) as respostas de ângulo para a mamografia com distorção de arquitectura mostrada na Figura 2B, o tamanho de 1377 x 850 pixels a 200 mM por pixel. 180 filtros Gabor foram usados ​​ao longo do intervalo -90 ° a 90 °, com Τ = 4 pixels e l = 8. O retângulo (vermelho ou verde) mostra a área de distorção arquitetural marcado pelo radiologista, de tamanho 47,6 milímetros x 29,9 milímetros. (C), (D) vistas da região de distorção arquitetural ampliada."target =" _blank es/ftp_upload/50341/50341fig4highres.jpg "> Clique aqui para ver maior figura.

Figura 5
Figura 5 A técnica NMS:. Retângulo alongado (em cinza) denota a presença de um CLS. Os quadrados denotam pixels ao longo de uma direcção perpendicular à orientação dos CLS. A praça central verde indica um pixel CLS núcleo.

Figura 6
(A) os resultados NMS. (B) seleção CLS Figura 6. NMS e resultados da selecção CLS sobreposto à imagem mamográfica completa na Figura 2A.resultados. Os pixels marcados em branco correspondem a CLS pixels que são retidas para análise posterior. (C) Resultados NMS e resultados (D) CLS seleção em vistas ampliadas para o ROI marcado na Figura 4A. Clique aqui para ver maior figura.

Figura 7
Figura 7. (A) mapa de nó e (b) as ROI detectada para o mamograma representado na Figura 2B. A imagem mamográfica é de tamanho 1377 x 850 pixels a 200 mM por pixel. O tamanho da área de distorção arquitetural (retângulo vermelho) marcado pelo radiologista é 47,6 milímetros x 29,9 milímetros. Cada ROI é de tamanho 128 x 128 pixels, exceto nas bordas do imidade. Clique aqui para ver maior figura.

Figura 8
Figura 8 Exemplos de (A) -. (C) três TP ROIs e (D) - (F) de três FP ROIs. Cada ROI é de tamanho de 128 x 128 pixels. Os valores de nó correspondentes são mostrados. Clique aqui para ver maior figura.

Figura 9
Figura 9. (A) A 128 x 128 pixels ROI TP com doença de arquitectura torção; tamanho de pixel = 200 um. Valor Node = 0,0299. (B) O espectro de Fourier 2D log-potência S (u, v) obtido após aplicação da janela von Hann e zeros do ROI para 256 x 256 pixels. (C) O espectro de energia no (f, Ν) espaço. O eixo horizontal corresponde ao ângulo Ν de 0 ° a 179 ° e o eixo vertical corresponde à frequência radial de 0,02 m m-1 2,5 mm -1. O pixel canto superior esquerdo corresponde à frequência de 0,02 m m-1 e ângulo de 0 °. Um quadro preto foi aplicado ao espectro de (D). Propagação angular de potência, S (Ν). Entropia HF = 7,2224. (E) A 1E espectro de potência S (f) plotados em uma escala log-log, em função da frequência radial f. O ajuste linear é também mostrada (linha vermelha), o que resultou em FD = 2,3037 para o TP ROI.arget = "_blank"> Clique aqui para ver maior figura.

Figura 10
Figura 10. (A) A 128 x 128 pixels FP ROI; tamanho de pixel = 200 um. O ROI causou um nó FP devido à sobreposição e / ou interseção estruturas normais. Valor Node = 0,0349. (B) O espectro de Fourier 2D log-potência S (u, v) obtido após aplicação da janela von Hann e zeros do ROI para 256 x 256 pixels. (C) O espectro de energia no (f, Ν) espaço. O eixo horizontal corresponde ao ângulo Ν de 0 ° a 179 ° e o eixo vertical corresponde à frequência radial de 0,02 milímetros a 2,50 milímetros -1 -1. O pixel canto superior esquerdo corresponde à frequência de 0,02 m m-1 e ângulo de 0 °. A bl ack moldura foi aplicado ao espectro de (D). propagação angular de potência, S (Ν). Entropia HF = 6,9444. (E) A 1E espectro de potência S (f) plotados em uma escala log-log, em função da frequência radial f. O ajuste linear também é mostrada (linha vermelha), o que resultou em FD = 2,5223 para a FP ROI. Clique aqui para ver maior figura .

Figura 11
Figura 11. Froc curva mostrando o desempenho da detecção das características propostas.

oad/50341/50341fig12highres.jpg "/>
Figura 12. Rotulagem final de ROI para a mamografia inicial mostrada na Figura 2. Os ROIs suspeitos detectados numa fase mais precoce do tratamento são mostrados na Figura 7. Os retângulos em verde representam TP ROIs em fase final de análise; os retângulos restantes descritas em amarelo representam PQ ou alarmes falsos. O retângulo em vermelho indica a área da distorção arquitetural marcado pelo radiologista para o presente estudo, esta informação não foi usado no procedimento leave-one-paciente-out aplicado ao presente caso e não estaria disponível em uma aplicação prospectiva do métodos propostos.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Nós apresentamos uma série de técnicas sofisticadas de processamento digital de imagens e reconhecimento de padrões, também conhecido como aprendizado de máquina e CAD, para a detecção de distorção arquitetural em mamografias anteriores de casos de câncer de intervalo. Os métodos são baseados na análise dos padrões de textura orientada presentes em imagens mamográficas. Nossos métodos, incluindo vários outros recursos propostos em nossos trabalhos relacionados, são capazes de detectar sinais precoces de câncer de mama 15 meses à frente do tempo de diagnóstico clínico, em média, com uma sensibilidade de 80% a menos de 4 fps / paciente 22 , 58.

Em um potencial de aplicação clínica, os ROIs rotulados pelos nossos procedimentos devem ser vistos como avisos para inspeção cuidadosa das áreas correspondentes das mamografias pelo radiologista. A decisão final sobre a presença ou ausência de câncer de mama deve ser feita pelo médico radiologista, que pode solicitar procedimentos de imagem adicionais outestes clínicos para verificar ou confirmar as suspeitas levantadas pela mamografia e CAD.

Embora nossos métodos forneceram resultados animadores no presente estudo retrospectivo, eles ainda não estão prontos para o uso clínico. Os métodos de levar cerca de 6 min por imagem em um Dell Precision PWS 490 estação de trabalho com processadores Intel Xeon Quad operando a 3,0 GHz, com 12 GB de memória RAM; requisitos computacionais precisam ser reduzidas em execução adequada do código de computador. Os resultados são comparáveis ​​ou ligeiramente melhor do que os relatados em estudos sobre distorção arquitetural com os sistemas CAD disponíveis comercialmente 18,59,60, com a distinção de que o presente trabalho é baseado em mamografias anteriores. O número de PQ precisa de ser reduzida para cerca de um por paciente com uma sensibilidade associada de, pelo menos, 80%.

Existem limitações em nosso trabalho, em termos de tipos de distorção arquitetural detectado pelos modelos utilizados. Os métodos precisam ser tested com conjuntos de dados maiores. Os parâmetros utilizados nos métodos, que foram empiricamente determinados no presente trabalho, precisa ser optimizada em função das características das mamografias em um determinado conjunto de dados a serem analisados. Esperamos que os nossos procedimentos para levar a melhores resultados com mamografias digitais diretas e imagens tomossíntese mama do que aqueles obtidos com imagens de tela de filme digitalizado como no presente trabalho.

Conclusão

Nossos métodos são promissores na detecção de distorção e câncer de mama em estágios iniciais de arquitetura. Mais trabalho é necessário para alcançar a detecção de distorção arquitetural com alta sensibilidade e baixas taxas de FP.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada a revelar.

Acknowledgments

Este trabalho foi financiado por doações do Programa Colaborativo de Pesquisa e Treinamento Experience (CRIE) e uma Descoberta Grant das Ciências Naturais e do Conselho de Pesquisa de Engenharia (NSERC) do Canadá.

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

Medicina Edição 78 Anatomia Fisiologia Biologia do Câncer propagação angular distorção arquitetural o câncer de mama diagnóstico diagnóstico auxiliado por computador Assistida por Computador (CAD) a entropia o movimento Browniano fracionário dimensão fractal filtros Gabor Processamento de Imagens Médicas Informática nó de mapa textura orientada Reconhecimento de Padrões retratos de fase as mamografias anteriores análise espectral
Detecção de distorção arquitetural em mamografias anteriores<em&gt; Via</em&gt; Análise de Padrões Orientada
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