Waiting
Login processing...

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

Medicine

La detección de la distorsión de la arquitectura en las mamografías previas 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

Demostramos métodos para la detección de distorsión de la arquitectura en mamografías anteriores. Estructuras orientadas son analizados utilizando filtros Gabor y retratos de fase para detectar sitios de motivos radiantes de tejido. Cada sitio se caracteriza y clasifica el uso de medidas para representar patrones spiculating. Los métodos deberían ayudar en la detección de cáncer de mama.

Abstract

Demostramos métodos para la detección de distorsión de la arquitectura en mamografías anteriores de los casos de cáncer de intervalo-basados ​​en el análisis de la orientación de los patrones de tejido mamario en los mamogramas. Nuestra hipótesis es que la distorsión arquitectónica modifica la orientación normal de los patrones de tejido mamario en imágenes de las mamografías antes de la formación de masas o tumores. En los primeros pasos de nuestros métodos, las estructuras orientadas en una mamografía dado se analizó utilizando filtros Gabor y retratos de fase para detectar sitios con ganglios como de radiante o intersección patrones de tejido. Cada sitio detectado a continuación, se caracteriza mediante el valor de nodo, dimensión fractal, y una medida de la dispersión angular específicamente diseñado para representar los patrones de spiculating asociados con la distorsión de la arquitectura.

Nuestros métodos fueron probados con una base de datos de 106 mamografías previas de 56 casos de cáncer de intervalo y 52 mamografías de 13 casos normales usando las funciones desarrolladas por elcaracterización de distorsión de la arquitectura, la clasificación de patrones a través de análisis discriminante cuadrática, y la validación de la licencia de un procedimiento ambulatorio. De acuerdo con los resultados de receptor de respuesta libre funcionamiento característico análisis, nuestros métodos han demostrado la capacidad de detectar distorsión de la arquitectura en las mamografías anteriores, tomada 15 meses (en promedio) antes del diagnóstico clínico del cáncer de mama, con una sensibilidad del 80% a alrededor de cinco falsos positivos por paciente.

Introduction

El cáncer de mama es una enfermedad grave que afecta a las mujeres y es la segunda causa principal de muerte relacionada con el cáncer entre las mujeres 1,2. Con el fin de mejorar las posibilidades de supervivencia y el pronóstico de los pacientes afectados por el tratamiento eficaz en las primeras etapas del cáncer de mama, la enfermedad tiene que ser detectado tan pronto como sea posible. En el análisis retrospectivo de los casos de cáncer de mama, los signos sutiles de anomalías se han observado en las mamografías de detección previamente adquiridas 3,4. Distorsión de la arquitectura es una de esas señales mamográfica localizada de posiblemente primeras etapas del cáncer de mama que es difícil de detectar 5,6. Los patrones asociados están vagamente descritos como distorsión de la arquitectura normal de la mama con el no rotundo masa visible. Distorsión de la arquitectura podría aparecer en las etapas iniciales de la formación de una masa en la mama o el tumor. Nuestra hipótesis es que las mamografías de detección obtenidos con anterioridad a la detección de cáncer de mama cía contiene signos sutiles de las primeras etapas del cáncer de mama, en particular, distorsión de la arquitectura.

La Figura 1a muestra una imagen mamográfica previa de un caso de cáncer de pantalla-detectado. La región de la anomalía identificada por un radiólogo (JELD) se perfila con un rectángulo rojo. La mamografía previa se realizó 24 meses antes de la mamografía de detección se muestra en la Figura 1b. La mamografía antes había sido declarado libre de signos de cáncer en la instancia original de cribado. En el análisis retrospectivo y en comparación con la mamografía de detección, una región sospechosa relacionada con el sitio del cáncer detectado fue marcado por el radiólogo, y se esboza en rojo en la mamografía previa. La región sospechosa contiene signos de distorsión de la arquitectura, incluyendo espículas.

Diagnóstico (CAD) técnicas y sistemas asistidos por ordenador ofrecen el potencial para lograr una mayor sensibilidad en la detección de breast cáncer 2,7-9. Sin embargo, en comparación con el número de publicaciones que existen en la literatura sobre la detección de otros signos de cáncer de mama, tales como masas y calcificaciones, sólo un pequeño número de estudios se han reportado en la detección de distorsión de la arquitectura en la ausencia de un masa central 10-17. Se ha encontrado que los sistemas CAD comercialmente disponibles para llevar a cabo mal en la detección de distorsión de la arquitectura 18. Los estudios sobre la detección de la distorsión de la arquitectura en las mamografías previas de casos detectados mediante cribado o intervalo cáncer 3,4,19-22 podría ayudar en el desarrollo de estrategias para la detección y tratamiento de enfermedades de la mama en sus primeras etapas, y conducir a la mejora de la pronóstico para el paciente 23.

Preparación de imágenes para el Experimento

Los experimentos se llevaron a cabo con 158 imágenes de las mamografías, incluyendo 106 mamografías previas de 56 individuos diagnosticadoscon cáncer de mama y 52 imágenes de 13 individuos normales. Ética aprobación para el estudio se obtuvo de la Junta Ética de Investigación Conjunto de la Salud, Oficina del Médico de Bioética de la Universidad de Calgary, y la Autoridad Regional de Salud de Calgary. Las imágenes fueron obtenidas de Screen Test: Programa de Alberta para la detección temprana del cáncer de mama 21,24,25.

Las mamografías adquiridas en la última visita programada al programa de cribado antes del diagnóstico de cáncer fuera del programa de cribado fueron etiquetados como mamografías previas de los casos de cáncer de intervalo. Las mamografías de diagnóstico correspondientes no estaban disponibles. Todos menos dos de los 106 mamografías previas habían sido declarados libres de cualquier signo de cáncer de mama en el momento de su adquisición y análisis en el programa de cribado; las personas que corresponden a los otros dos mamografías habían sido remitidos para biopsia. El intervalo de tiempo entre el diagnóstico de cáncer y las mamografías anteriores varió de 1,5 mesess a 24,5 meses, con un promedio de 15 meses y la desviación estándar de 7 meses. Todas las mamografías previas de los casos de cáncer de intervalo disponibles en la base de datos se han incluido en el presente estudio, a excepción de seis imágenes en las que no hay partes sospechosas podrían ser identificados.

Las mamografías de pantalla-película se digitalizaron a la resolución espacial de 50 micras y la resolución de la escala de grises de 12 bits por píxel utilizando el láser escáner Lumiscan 85 (Lumisys, Sunnyvale, CA). Un experto radiólogo especializado en la mamografía (JELD) revisó todas las 106 mamografías previas de los casos de cáncer de intervalo y marcó los sospechosos regiones de distorsión de la arquitectura con las cajas rectangulares sobre la base de los informes disponibles en la posterior proyección de imagen o una biopsia, o con un control minucioso de las mamografías . De las 106 imágenes de las mamografías previas en el conjunto de datos utilizados en el presente estudio, 38 imágenes tienen distorsión de la arquitectura visible, y los 68 restantes contienen imágenes ev cuestionable o no claramenteident distorsión de la arquitectura. Cada mamografía anterior contiene un único sitio de la distorsión de la arquitectura como se identifica por la caja rectangular dibujado por el radiólogo. La anchura media, altura, y el área de las 106 partes sospechosas de imágenes marcadas por el radiólogo son 56 mm, 39 mm y 2274 mm 2, con una desviación estándar de 11,8 mm, 11,6 mm y 1073.9 mm 2, respectivamente.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Panorama de la Metodología

En nuestro procedimiento, los sitios potenciales de distorsión de la arquitectura en las mamografías se detectan de forma automática a través de análisis de los patrones de textura orientada a la aplicación de un banco de filtros de Gabor 26 y el modelado de la fase retratos 11,27. Los sitios detectados son procesados ​​a través de los pasos de la extracción de características o medidas para caracterizar distorsión de la arquitectura, el desarrollo de un clasificador entrenado, y la aplicación de un algoritmo de reconocimiento de patrones o clasificación. El procedimiento se resume en los siguientes pasos 11,20,21:

  1. Segmento de la parte del pecho en la imagen mamográfica dado utilizando umbralización adaptativa y la apertura morfológica.
  2. Aplicar un conjunto de 180 filtros Gabor con ángulos espaciados uniformemente sobre el rango -90 ° a 90 ° para obtener la imagen magnitud Gabor, el ángulo de la imagen Gabor M (i, j), y, θ(I, j), mediante la selección de la respuesta y el ángulo del filtro con la más alta respuesta en cada píxel, (i, j).
  3. Seleccione estructuras curvilíneas (CLSS) de interés, tales como espículas y tejido fibroglandular, diferenciándolas de las estructuras de confusión, tales como bordes del músculo pectoral, el tejido del parénquima, límite de mama, y ​​el ruido, utilizando el campo de la orientación, el campo de gradiente, la supresión nonmaximal (NMS) Técnica y condiciones adicionales 11.
  4. Filtrar el campo de orientación con un filtro gaussiano con la desviación estándar de 7 pixeles y hacia abajo-de la muestra por un factor de cuatro para reducir el ruido y otros requisitos computacionales 11,20.
  5. Aplicar el modelado fase retrato lineal, con una ventana de análisis de corredera, de tamaño 10 x 10 píxeles a 800 micras / píxel, con un píxel por paso, hasta el campo de orientación filtrada, con condiciones específicas para seleccionar mapas fase retrato relacionados con determinados tipos de patte nodorns 11,20.
  6. Emitir su voto, si se cumplen ciertas condiciones, en la posición dada por el punto fijo para cada posición de la ventana de análisis para formar el mapa de nodos.
  7. Filtrar el mapa de nodos con una ventana gaussiana de tamaño de 35 x 35 píxeles, con la desviación estándar determinada empíricamente de 6 píxeles (4,8 mm), para consolidar útiles en estrecha proximidad entre sí.
  8. Analizar el mapa de nodos por rango-ordenando los picos en el mapa de nodos.
  9. Regiones de corte de interés (ROI), de tamaño 128 x 128 pixeles, excepto en los bordes, de la imagen original, con el centro de cada retorno de la inversión situado en el centro del pico relacionada en el mapa nodo. En los bordes de la imagen que se está procesando, crear regiones de interés para incluir la mayor cantidad de datos de imagen como disponible en la ventana especificada.
  10. Deducir las características o medidas para caracterizar los patrones spiculating relacionados con la distorsión de la arquitectura y separarlos de los patrones de tejidos normales que cumplen algunas de las condiciones iniciales.
    11. <li> Desarrollar un clasificador entrenado para discriminar entre las características de los sitios con distorsión de la arquitectura y las de los patrones normales del tejido usando un conjunto de formación de regiones de interés clasificados por un radiólogo.
  11. Aplicar el clasificador entrenado con un conjunto de casos de prueba y verifique los resultados con el diagnóstico suministrados por el radiólogo y basados ​​en la biopsia.

Pasos 1-9 mencionados anteriormente se aplican automáticamente a una imagen mamográfica dado. Etapas seleccionadas del procedimiento mencionado anteriormente se describen y se ilustran en las siguientes secciones.

2. Preprocesamiento de imágenes de las mamografías

La etapa de preprocesamiento se compone de los siguientes pasos:

  1. Se filtra la imagen mamográfica dado usando un filtro gaussiano, con una desviación estándar de 2 píxeles y tamaño de 13 x 13 píxeles a la resolución de 50 m / píxel y 12 bits / píxel, y hacia abajo-de la muestra a 200 m / píxel y 8 bits / píxeles de resolución.
  2. Reflejarla imagen si es de la mama derecha.
  3. Segmento de la región de mama en la imagen mamográfica utilizando el método de umbral adaptativo de Otsu y la apertura morfológica con un elemento de estructuración en forma de disco de radio de 25 píxeles (5 mm a 200 m / píxel) 21,28,29.
  4. Detectar los aproximadamente 10,21 límite de mama.

La Figura 2A muestra una mamografía antes originales. Figura 2B de la misma figura muestra el resultado de la segmentación aproximada de la porción de pechuga, que se utiliza en los pasos subsiguientes de procesamiento y análisis.

3. Extracción de patrones bajo la utilización de filtros de Gabor

La verdadera función de filtro de Gabor orientado a -90 ° se especifica en nuestro trabajo como 10,30:

Ecuación 1
dónde y #963; x y σ y son los valores de la desviación estándar en las direcciones x e y, y ƒ o es la frecuencia de la sinusoide modulación. Filtros en otros ángulos se obtienen mediante la rotación de esta función utilizando la transformación de coordenadas como:

Ecuación 2 suplemento
donde (x ', y') es el conjunto de coordenadas giradas por el ángulo α.

Los parámetros en la Ecuación 1 para las mamografías de filtrado se derivan en nuestro trabajo teniendo en cuenta el tamaño promedio de los patrones de tejido de mama a ser detectados, de la siguiente manera 10:

  1. Deje Τ ser el ancho completo en la mitad del máximo de la expresión de Gauss en la Ecuación 1 a lo largo del eje x.
  2. Deje Τ = 4 píxeles, que corresponde a un espesor de 00.8 mm en el tamaño de píxel de 200 micras.
  3. Calcular Ecuación 3.3 .
  4. Que el período del término coseno sea Τ, luego, ƒ o = 1 / Τ.
  5. Que el valor de σ y se define como σ y = lσ x, donde L determina la elongación del filtro de Gabor en la dirección y, en comparación con la anchura del filtro en la dirección x. Para el análisis de las mamografías a 200 micras / píxel, utilice l = 8.

Un banco de 180 reales Filtros de Gabor uniformemente espaciados sobre el rango de -90 ° a 90 ° se utiliza en nuestros métodos para la detección de patrones de orientación en las mamografías 10, 21. Para cada imagen dada, una imagen de magnitud Gabor, una imagen de ángulo de Gabor M (i, j), y, θ (i, j), se obtienen usando la respuesta y el ángulo de the filtro de Gabor con la más alta respuesta en cada píxel, (i, j).

El filtro de Gabor tiene una respuesta de magnitud distinta de cero en el origen del plano de frecuencia (frecuencia cero). Dado que los componentes de baja frecuencia no están relacionados con la presencia de distorsión de la arquitectura, es deseable para reducir el efecto de los componentes de baja frecuencia de la imagen mamográfica en la magnitud de campo de orientación. Por lo tanto, las imágenes de las mamografías son filtrada paso alto antes de la extracción del campo de orientación. Esto se consigue mediante el cálculo de la diferencia entre la imagen original y una versión de paso bajo-filtrada de la misma imagen. El filtro de paso bajo utilizado en esta etapa es un filtro de Gauss con la desviación estándar igual a σ Y definido como anteriormente.

Aunque se podría guardar la imagen filtrada para cada ángulo de interés, en el presente trabajo, la respuesta máxima en cada píxel sobre la totalidad de los filtros (ángulos) utilizado esguardado en una sola imagen, se hace referencia como la respuesta de magnitud Gabor; el ángulo correspondiente del filtro de Gabor se guarda en cada píxel de otra imagen, se hace referencia como la respuesta ángulo de Gabor. Juntos, las dos imágenes de salida proporcionan el campo de la orientación de la imagen dada.

La Figura 3A muestra una imagen de prueba de una planta. Figura 3B muestra el espectro de Fourier de la imagen, que representa las concentraciones de energía en varios ángulos. Todas las partes de la imagen con la misma orientación, independientemente de su posición y tamaño, tienen sus componentes de frecuencia (energía espectral) situado en una banda angular o sector situado en 90 ° con respecto a su orientación en la imagen. Los resultados de filtrar la imagen con Filtros de Gabor con Τ = 8 píxeles y L = 8 se muestran en las Figuras 3C y D. Es evidente que los filtros de Gabor han extraído partes de la planta orientados en diversos ángulos con alta MAGrespuesta tud y que la respuesta ángulo está de acuerdo con la orientación de la característica dominante presente en el píxel correspondiente. Mediante el uso de un banco de filtros de Gabor orientada en varios ángulos en el rango de -90 ° a 90 °, hemos extraído todos los componentes orientados presentes en la imagen y sus ángulos en cada píxel. Es evidente que la respuesta de los filtros de Gabor es casi cero en las zonas lisas con el mismo nivel de intensidad y no hay estructuras con orientación preferida, tales como partes de la olla y la pared.

La Figura 4 muestra la magnitud y ángulo de respuestas Gabor obtenidos para la mamografía con distorsión de la arquitectura se muestra en la Figura 2B. Es evidente que los filtros de Gabor han extraído los componentes orientados con respuestas altas, así como los ángulos correspondientes. También se ve que la respuesta de los filtros de Gabor es baja en las zonas lisas con densidad casi constante y no hay estructuras con orientación preferidación. Sobre la inspección cercana, sino que también se puede observar que la respuesta de los filtros de Gabor depende del contraste de una estructura orientada en relación con su fondo y no sólo de su densidad o el brillo. Estos resultados se deben a la naturaleza de paso de banda de los filtros de Gabor.

4. Selección de las estructuras curvilíneas

Las mamografías contienen muchos NFT correspondientes a los conductos, vasos, ligamentos, tejido parenquimatoso, y los bordes de la músculo pectoral. Algunas anomalías en las mamografías pueden ser caracterizados por la presencia de ciertos tipos de CLS, tales como masas espiculados 12,31,32 y distorsión de la arquitectura 10,11,33, o por la estructura asimétrica de la textura orientada en la imagen de mama 34. Por otra parte, ciertos tipos de lesiones, tales como masas circunscritas, podrían ser oscurecida por varios NFT superpuestas sobre las lesiones en las imágenes de las mamografías proyectadas; la aparición de estas lesiones podría ser altEred y puede conducir a la detección o diagnóstico erróneo de falsos negativos. Análisis de la presente ETI en mamografías podría mejorar el rendimiento de los algoritmos para la detección de masas espiculados y distorsión de la arquitectura, según lo sugerido por Zwiggelaar et al. 35. Por lo tanto, la identificación de CLS es un paso importante en la detección de distorsión de la arquitectura.

Aunque el banco de filtros de Gabor utilizado en el presente trabajo es sensible a las estructuras lineales, como espículas y fibras, sino que también detecta otros bordes fuertes, tales como bordes del músculo pectoral, bordes del tejido parenquimatoso, y las paredes del vaso, como estructuras orientadas . Bordes fuertes de todo el disco 36 fibroglandular podrían ser utilizados en la detección de una forma particular de distorsión de la arquitectura 37 conocida como la retracción focal. Sin embargo, en el presente trabajo, es importante que sólo NFT correspondiente a los tejidos fibroglandulares se identifican como características orientadas.

  1. Segmento del área de la mama en una mamografía determinado como se describe en la Sección 2.
  2. Detectar centrales píxeles CLS mediante la aplicación de la técnica de NMS 35,38 a la imagen respuesta de magnitud Gabor.
  3. Rechazar CLSS píxeles en sitios con un fuerte gradiente 33.

El algoritmo identifica NMS núcleo pixeles CLS mediante la comparación de cada píxel en la imagen respuesta de magnitud con sus vecinos a lo largo de la dirección que es perpendicular a la orientación local ángulo de campo; véase la Figura 5. Si el píxel bajo investigación tiene un valor de magnitud más grande que los vecinos correspondientes, el píxel es un píxel CLS núcleo. NMS es un paso común en muchos detectores de bordes (tales como el detector de bordes de Canny 39). Zwiggelaar et al. 35 NMS usados ​​para la detección de CLS píxeles de la misma manera que se describe en estesección.

La presencia de un fuerte gradiente podría causar una ondulación en la respuesta de magnitud de Gabor, que conduce a una detección errónea de un CLS. Los píxeles centrales CLS asociados con la presencia de gradientes fuertes son rechazadas por los criterios propuestos por Karssemeijer y TE de freno 12 en el contexto de la detección de las lesiones espiculados. Se obtiene el gradiente de la imagen mamográfica usando la primera derivada de una gaussiana con una desviación estándar de cinco píxeles (1 mm). Para cada píxel de CLS núcleo, la dirección del gradiente se compara con la dirección de la orientación de campo. Si la diferencia entre la dirección del campo de orientación y la dirección perpendicular al gradiente es menor que 30 °, el correspondiente píxel de CLS núcleo se desecha.

Los NFT dentro del disco fibroglandular poseen típicamente reduce el contraste en comparación con las NFT fuera del disco fibroglandular. En consecuencia, el CLS dentro de la fibdisco roglandular tienen valores de respuesta más pequeñas Gabor magnitud que el CLS fuera del disco. Con el fin de asignar el mismo peso a todos los píxeles CLS independientemente de su ubicación, y para garantizar la detección de la ETI correspondiente con poco contraste, como espículas en el disco fibroglandular, el campo de magnitud M (i, j) se sustituye por su posterior procesamiento por una imagen compuesta de sólo CLS núcleo píxeles, M CLS (i, j), que se define de la siguiente manera:

Ecuación 3
La imagen M CLS (i, j) transmite información importante sobre la presencia de las ETI. Figura 6 muestra los resultados de la selección CLS con una mamografía completa y un retorno de la inversión. Debido a la presencia de distorsión de la arquitectura se indica por la disposición geométrica de la NFT asociada en lugar de su densidad o intensidad, la Magnitud del CLS detectado es de una importancia menor que la disposición espacial de las estructuras orientadas.

5. Detección y Etiquetado de sitios sospechosos a través de Análisis de la Fase de retratos

Rao y Jain 40 desarrollaron un método para el análisis de textura orientada en imágenes mediante la asociación de la orientación de campo de gradiente correspondiente con la aparición de retratos de fase. Un retrato fase de un sistema de dos lineal, de primer orden, ecuaciones diferenciales muestra las posibles trayectorias de las variables de estado 27.

Sea p (t) y Q (t), t ISIN Símbolo R, representan dos funciones diferenciables de tiempo t, relacionadas como

Ecuación 3
Aquí,• p (t) y Q • (t) son las derivadas de primer orden con respecto al tiempo, y F y G son funciones de p y q 10. Dadas las condiciones inicial P (0) y Q (0), la solución de [P (t), q (t)], se puede representar en la forma de una trayectoria paramétrica o simplificar de una partícula hipotética en la (p, q ) avión. La partícula se coloca en [P (0), q (0)] en el momento t = 0 y se mueve a través del plano (p, q) con la velocidad [p • (t) y Q • (t)]. El (p, q) de avión es conocido como el plano de fase del sistema. Un retrato de fase es un gráfico de las trayectorias posibles de una partícula en el plano de fase. Un punto fijo es un punto en el plano de fase donde p • ( m> T) = 0 y q • (t) = 0. Una partícula a la izquierda en un punto fijo permanece estacionario. Para un sistema afín, tenemos

Ecuación 4
Aquí, A es una matriz 2 x 2 y B es una matriz de columna de 2 x 1. El centro (p 0, q 0) del retrato de fase está dada por el punto fijo como

Ecuación 5
Si asociamos las funciones p (t) y q (t) con las coordenadas X e Y del plano de la imagen que se está procesando, el campo de la orientación correspondiente es

res.jpg "width =" 500 "/>
Aquí, Φ (x, y) es el ángulo del vector de velocidad [p • (t), Q • (t)] con respecto al eje x en (x, y) = [P (t), q (t)] . Asociamos Φ (x, y) con el ángulo θ respuesta Gabor (i, j), y definimos una función de error que minimizarse como

Ecuación 7
donde [a, b] y [c, d] son las dos filas de A. El último término se prevé una sanción más elevada (costo) para la desviación en las configuraciones de la matriz A de los relacionados con los patrones de nudo espiculados. La ecuación dada más arriba representa Φ (XY) en una cuadrícula discreta (i, j) en lugar del espacio continuo (x, y). EstimAtes de A y B que minimizar ε 2 (A, B) se obtienen mediante el siguiente procedimiento:

  1. Obtener estimaciones iniciales de A y B a través de la minimización de ε 2 (a, b) usando el método de recocido simulado 41.
  2. Obtener las estimaciones óptimas mediante el refinado de las estimaciones iniciales utilizando un no lineal de mínimos cuadrados algoritmo 42.

En el modelo descrito anteriormente, existen tres posibles tipos de diagramas de fase: nodos, silla de montar, y espirales. El tipo de diagrama de fase se determina por los valores propios de A 10,27,30,40. El campo de la orientación de una imagen de textura puede ser descrito mediante la determinación del tipo de el retrato de fase que es más similar a su campo de orientación. Debido a que los patrones en espiral no son de interés en el análisis demamografías, una restricción la matriz A sea simétrica, lo que resulta en sólo dos tipos de diagramas de fase: de nodo y de la silla de montar.

Debido a la presencia esperada de un número de espículas en diversos ángulos que se superponen en la imagen mamográfica proyectada, la hipótesis de que un sitio de la distorsión de la arquitectura presentará características de nodo similares. Sin embargo, los tejidos normales, conductos, vasos y otras estructuras orientadas en la mama también se puede obtener proyectada y superpuesta para formar patrones que imitan la apariencia de distorsión de la arquitectura en una mamografía. Por lo tanto, se analiza el mapa de nodos para la detección de sitios sospechosos o de los sitios potenciales de distorsión de la arquitectura, y analizamos los sitios detectados a través de etapas adicionales de extracción de características y clasificación de patrones.

Debido a que una mamografía puede mostrar varios patrones, se aplica una ventana de análisis de corredera, de tamaño 10 x 10 píxeles, a 800 m / pixel, con opixel ne por paso. Para cada posición de la ventana, votación se echa en un mapa, denominado mapa nodo del posición propuesta por el punto fijo que corresponde, si todas las condiciones aplicadas satisfagan. Resultados relacionados con la matriz A con su número de condición mayor que 3,0 son rechazados a ignorar los patrones que no se espera que se asocia con distorsión de la arquitectura 11. Además, se impone una condición adicional en la distancia entre un punto fijo y la posición de la ventana de análisis correspondiente: si la distancia es menos de tres píxeles (2,4 mm) o mayor que 20 píxeles (16 mm), los resultados para el actual ventana de análisis son rechazadas. La magnitud de la votación se establece igual a la relación de la medida de ajuste ε 2 (a, b), definido en la Ecuación 7, para el número de condición de A, para enfatizar la isotropía del retrato de fase. El mapa de nodos se analiza a continuación, para detectar locAl máximos o picos que se espera para indicar los sitios de distorsión de la arquitectura. Sin embargo, el procedimiento también da como resultado la detección de un número de falsos positivos (FP) sitios debido a las estructuras normales superpuestas.

En cada pico en el mapa de nodos, se extrae automáticamente un retorno de la inversión, de tamaño 128 x 128 pixeles, excepto en los bordes de las imágenes, de la imagen mamográfica a 200 m / píxel. Tenemos etiqueta de las regiones de interés en los lugares indicados por los picos en el mapa nodo en el orden de los valores de los picos decreciente, hasta un máximo de 30 regiones de interés por mamografía.

Cuando se usan las mamografías con diagnósticos conocidos para entrenar a nuestro procedimiento, detectaron el ROI de forma automática con sus centros dentro de las partes de distorsión de la arquitectura identificado por el radiólogo están etiquetados como verdaderos positivos (TP) ROI, los otros han sido etiquetados como FP ROI para su uso en el procedimiento de formación. Cuando se analiza una mamografía utilizando el procedimiento entrenado, todas las regiones de interés detecta unas más arriba se procesan para la clasificación sin ningún etiquetado.

La Figura 7 muestra el mapa de nodo y los ROIs detectados para la mamografía se muestra en la Figura 2B. Los rectángulos rojos indican el área sospechosa marcada por el radiólogo.

La figura 8 muestra una serie de TP y FP ROIs extraídos automáticamente de varias mamografías. La mayor parte de las regiones de interés TP tienen varios espículas y patrones orientados repartidas en una amplia gama de ángulos. El FP ROI, por otro lado, tiene un menor número de estructuras de tejidos normales orientadas en un rango más estrecho de ángulos; independientemente, debido a su superposición en la imagen mamográfica proyectada, que imitan las características de nodo como de distorsión de la arquitectura.

Nuestra estrategia consiste en detectar las regiones sospechosas con una alta eficiencia o la sensibilidad en la fase inicial (con correspondientemente bajos falsos negativos), incluso si el número de acompañamiento de los programas marco es grande. El siguiente paso del análisis de las regiones de interés está diseñado para ayudar a reducir los PM a través de la caracterización eficiente y clasificación del rendimiento de la inversión detectada.

6. Caracterización de la distorsión de la arquitectura

Un ROI detectado automáticamente incluyendo distorsión de la arquitectura, centrado en un pico en el mapa de nodos relacionados, es probable que poseen varias espículas dispersas en varios ángulos. Esperamos que esta característica para llevar a una amplia dispersión angular de la energía en el dominio de la imagen y la energía espectral en el dominio de Fourier. En nuestros trabajos anteriores, hemos demostrado que tal dispersión angular puede ser representado de manera eficiente en forma de un diagrama de rosa, que es un histograma angular 21,22. Nos normalizar el diagrama de rosas de tener unidad de área y de tratarla como una función de densidad de probabilidad (PDF). A continuación, se caracteriza el PDF de cada ROI usando entropía, que es una medida estadística de desorden o de dispersión.

ontenido "> El aumento de la dispersión de los patrones de tejido en las regiones con distorsión de la arquitectura modifica la naturaleza fractal del tejido mamario normal. Los modelos de uso común de los fractales se basan en patrones anidados múltiples escalas de patrones de auto-similares 43-46. Otro modelo de comportamiento fractal es El movimiento browniano fraccional (fBm) que se relaciona con un espectro en el dominio de la frecuencia en la que la potencia disminuye en proporción a (1 / f) ^ β, donde f es la frecuencia y β se conoce como la componente espectral 47,48. La modelo fBm conduce a imágenes fractales que son similares a los patrones de nublados aleatorios;. patrones comparables se ven a menudo en las mamografías Con el fin de aplicar este modelo a las imágenes, la de dos dimensiones (2D) espectro de Fourier de la imagen necesita ser convertido a un uno función unidimensional (1D).

Hemos desarrollado un método integrado para caracterizar la dispersión angular y para obtener una estimación de las dimens fractalesde iones (FD) de una imagen mediante la asignación del espectro de Fourier 2D de la imagen en coordenadas rectangulares, denotado por S (u, v), a un espectro en coordenadas polares, denotado por S (ƒ, Ν). El procedimiento se describe mediante las siguientes etapas 21:

  1. Aplicar la ventana von Hann a cada extraída automáticamente 128 x 128 ROI y rellenará el resultado con ceros a una matriz de tamaño 256 x 256 píxeles.
  2. Calcular el Fourier 2D transformada de la ROI acolchado y la magnitud de cada valor complejo resultante para obtener una estimación del espectro de potencia, S (u, v), del retorno de la inversión.
  3. Identificar porciones de baja frecuencia y de alta frecuencia seleccionadas del espectro de exclusión en los pasos subsiguientes.
  4. Mapa del espectro de potencia S 2D (u, v) a partir de las coordenadas cartesianas (rectangulares) (u, v) a las coordenadas polares (ƒ, Ν) para obtener S (ƒ, Ν), por remuestreo y el cálculo de un promedio ponderado de la cuatro vecinos de correopunto de ACH para la distancia radial f que van de cero a la mitad de la frecuencia de muestreo, y en el rango de ángulo de Ν = [0, 179 °].
  5. Transformar el espectro S 2D (ƒ, Ν) en una función S 1D (ƒ), mediante la integración como una función de la distancia radial o la frecuencia f desde el punto de frecuencia cero en el rango en Ν = [0, 179 °] en ángulo.
  6. Aplicar la regresión lineal para un rango de frecuencia limitada del espectro S 1D (ƒ) en una escala log-log, sin contar los de las regiones de baja frecuencia y de alta frecuencia seleccionadas, y obtener el β pendiente de la línea de ajuste, que es una estimación la componente espectral en el modelo fBm.
  7. Calcule el valor estimado de FD como 15,49,50 FD = (8 - β) / 2.
  8. Transformar el S espectro 2D (ƒ, Ν) en una función S 1D (Ν), mediante la integración como una función del ángulo para Νel intervalo [0, 179 °], desde el punto de frecuencia cero sobre ƒ distancia radial = [1, 128] píxeles.
  9. Normalizar S (Ν) tener suma unidad y calcular la entropía del resultado como Ecuación 6.9 .

La transformación geométrica se ha descrito anteriormente conduce a una mejor representación y visualización de las características espectrales de periódico o espiculado textura 9. Regiones de baja y de alta frecuencia seleccionadas deben ser excluidos para eliminar los efectos de los componentes de baja frecuencia relacionados con la apariencia general de la imagen y las grandes estructuras presentes en la imagen, así como para evitar los efectos de alta frecuencia ruido. En el presente trabajo, las bandas de frecuencias que deben excluirse de la estimación de β y FD (es decir, las porciones no lineales) se seleccionan en base a la experimentación utilizando imágenes de síntesis con conocida FD, y también el uso de unnúmero de regiones de interés de las mamografías. El rango de ƒ se utiliza para ajustar el modelo lineal corresponde al [6, 96] píxeles o [0.117, 1.875] mm-1, donde el rango de [1, 128] píxeles corresponde a la representación discreta de la gama de frecuencias [0, 2.5 ] mm -1.

Las figuras 9 y 10 ilustran las diversas etapas para el análisis fractal y la estimación de la dispersión angular de la potencia en el dominio de la frecuencia para un retorno de la inversión de TP y un retorno de la inversión FP, respectivamente. Figura 9D indica la existencia de patrones spiculating multidireccionales para el TP retorno de la inversión, mientras que en la Figura 10D, la propagación de la energía se limita a un pequeño número de bandas angulares para la FP retorno de la inversión.

7. Clasificación de patrones y Validación

Ahora tenemos tres medidas o características de cada ROI detectan automáticamente: [valor de nodo, H F, FD], tal como se describe en la Sección 6. Utilizamos estas características, irealizan de manera individual y colectivamente, para caracterizar los patrones spiculating relacionados con la distorsión de la arquitectura y para diferenciar el TP ROI de las regiones de interés de PF detectados.

Para el retorno de la inversión de TP se muestra en la Figura 9, el vector de características compuesta por las tres medidas derivadas es [0,0299, 7,2224, 2,3037]. Para el retorno de la inversión FP se muestra en la Figura 10, el vector de características correspondiente es [0,0349, 6,9444, 2,5223]. Como era de esperar, el valor H I es mayor para el retorno de la inversión de TP que para la FP retorno de la inversión, y el valor de FD es inferior. Sin embargo, el valor del nodo es menor para el retorno de la inversión que para el TP FP ROI, lo que es contrario a las diferencias esperadas, debido a la presencia de estructuras superpuestas en el segundo. En general, podemos esperar que algunas de las características de seguir las tendencias esperadas y ayudar en la clasificación de las regiones de interés, incluso si otras características no demuestran el comportamiento esperado.

Para evaluar el desempeño de las funciones, Se utiliza el área bajo la característica de funcionamiento (ROC) curva (AUC) 51,52 y de respuesta libre ROC (FROC) análisis 53-55. Para el análisis ROC y FROC con una característica individual, no utilizamos un clasificador entrenado, en cambio, se aplica un umbral de deslizamiento. Las tres características individuales de nodo, FD, y H F proporcionaron los valores de AUC de 0,61, 0,59 y 0,64, respectivamente, lo que indica un buen rendimiento potencial, pero no suficiente en la clasificación de patrones. Los valores de p de las mismas características son 1.7638e-009 1.8793e-004, y 2.2615e-013, que indican diferencias estadísticamente muy significativas entre los valores de los conjuntos de detectado automáticamente TP y FP ROI.

Cuando se utilizan un gran número de funciones para representar las muestras para la clasificación, es necesario seleccionar un subconjunto óptimo de características a fin de eliminar características correlacionadas y reducir la complejidad del clasificador 20-22; varios Proceddas, tales como la regresión logística paso a paso 56, se pueden utilizar para este propósito. En el presente trabajo, porque estamos usando sólo tres largometrajes al retorno de la inversión, no llevamos a cabo la selección de características.

Para realizar la validación del clasificador entrenado, se aplican los procedimientos de clasificación de patrones con el enfoque de la licencia-un-paciente-out. Excluimos todas las regiones de interés extraídos de las mamografías de la paciente para ser probado en el procedimiento de formación del clasificador, y luego aplicar el clasificador obtenido para el caso de prueba. Luego se repite el procedimiento para todo el conjunto de datos, un caso o paciente a la vez.

Para el análisis ROC con el conjunto de tres funciones, se utiliza un clasificador que realiza análisis discriminante cuadrática con el supuesto bayesiano 57. Para generar curvas FROC, consideramos que el TP ROI con el valor discriminante más alta de las dos imágenes de las mamografías para el paciente, excepto en seis casos en que sólo unoimagen esta disponible por caso.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Las tres características, a saber, el valor de nodo, FD, y H F, proporcionadas valores de AUC de 0.61, 0.59, y 0.64, respectivamente, cuando se utilizó cada característica por sí sola. El uso combinado de las tres características proporcionan un rendimiento mejorado con AUC = 0,70. La curva FROC obtenido con la combinación de las tres características se muestra en la Figura 11, lo que indica una sensibilidad de 80% a 5,6 MF / paciente y 89% en 7,5 MF / paciente. El uso de sólo el valor del nodo proporciona una sensibilidad de 80% a 8,1 MF / paciente y el 89% a 13.8 MF / paciente.

La reducción de FF en el resultado final se ilustra en la Figura 12. Por el bien de la ilustración, se muestran sólo seis regiones de interés con los más altos rankings. Los números fuera de los paréntesis indican la clasificación basada en los valores discriminantes obtenidos por el clasificador bayesiano; los números dentro de los paréntesis corresponden a la clasificación anterior basado en el mapa de nodos. Comparando trong> Figura 12 con la etapa inicial de la detección de regiones de interés sospechosas que se muestran en la Figura 7, es evidente que las características utilizadas para caracterizar distorsión de la arquitectura han dado lugar a una reducción sustancial de los MF, en comparación con la etapa inicial de análisis de nodo, mientras se mantiene buena sensibilidad de la detección. Este es un caso en el que tres de las regiones de interés de alto rango han solapado con el área sospechosa de la distorsión de la arquitectura marcada por el radiólogo, y representa un caso de aciertos de nuestro procedimiento.

En una aplicación clínica, el número de regiones de interés que se muestra en el resultado final debe ser determinado dependiendo de la sensibilidad y el número de los MF que sería tolerada, así como la preferencia de los radiólogos deseada.

oad/50341/50341fig1.jpg "/>
Figura 1. (A) Una mamografía previa del tamaño de 1377 x 850 píxeles a 200 micras de resolución / pixel; (A) correspondiente mamografía de detección del tamaño de 1374 x 850 píxeles con una resolución de 200 micras / píxel, (C) la región ampliada de distorsión de la arquitectura en la imagen muestran en la parte (A), del tamaño de 39,2 mm x 21,8 mm; (D) región ampliada de distorsión de la arquitectura en la imagen se muestra en la parte (B), del tamaño del tamaño de 40,8 mm x 26,8 mm. La mamografía previa se realizó 24 meses antes de la mamografía de detección. Este es un caso de cáncer de mama mediante exámenes de detección. Haga clic aquí para ver más grande la figura.

41fig2highres.jpg "/>
Figura 2. (A) Una mamografía previa del tamaño de 1377 x 850 píxeles con una resolución de 200 micras / píxel;. (B) Imagen correspondiente después de procesamiento previo para la segmentación aproximada de la región del pecho Haga clic aquí para ver más grande la figura.

Figura 3
Figura 3. (A) Imagen de prueba de una planta con varias partes orientadas, de tamaño 646 x 668 píxeles, (B) espectro de Fourier magnitud de la imagen que muestra la energía concentrada en varios ángulos, (C) respuesta de magnitud Gabor, y (D) y el ángulo de Gabor . 180 filtros de Gabor se utilizaron en todo el rango -90 ° a 90 °, con Τ > = 8 píxeles y l = 8. Haga clic aquí para ver más grande la figura.

Figura 4
Figura 4. (A) magnitud Gabor y (b) las respuestas de ángulo para la mamografía con distorsión de la arquitectura se muestra en la Figura 2B, de tamaño de 1377 x 850 píxeles a 200 m por píxel. 180 filtros de Gabor se utilizaron en todo el rango -90 ° a 90 °, con Τ = 4 píxeles y l = 8. El rectángulo (rojo o verde) muestra el área de la distorsión de la arquitectura marcada por el radiólogo, del tamaño de 47,6 mm x 29,9 mm. (C), (D) vistas de la región de distorsión de la arquitectura magnifica.es/ftp_upload/50341/50341fig4highres.jpg "target =" _blank "> Haga clic aquí para ver más grande la figura.

La figura 5
Figura 5 La técnica NMS:. El rectángulo alargado (en gris) indica la presencia de un CLS. Los cuadrados indican píxeles a lo largo de una dirección perpendicular a la orientación de las NFT. La plaza central verde indica un píxel CLS núcleo.

La figura 6
Figura 6. NMS y resultados de la selección de CLS superpuestos en la imagen mamográfica completa en la Figura 2A. (A) Resultados de NMS. (B) la selección CLSresultados. Los píxeles marcados en blanco corresponden a CLS píxeles que son retenidos para su posterior análisis. (C) los resultados de NMS y de resultados (D) CLS selección en vistas ampliadas para el retorno de la inversión marcada en la figura 4A. Haz click aquí para ver más grande la figura.

La figura 7
Figura 7. (A) mapa de nodos y (b) regiones de interés detectados para la mamografía se muestra en la Figura 2B. La imagen mamográfica es de tamaño 1377 x 850 píxeles a 200 micras por píxel. El tamaño del área de la distorsión de la arquitectura (rectángulo rojo) marcado por el radiólogo es 47,6 mm x 29,9 mm. Cada ROI es de tamaño 128 x 128 píxeles, excepto en los bordes de la imedad. Haz clic aquí para ver más grande la figura.

Figura 8
Figura 8 Ejemplos de (A) -. (C) tres TP ROI y (D) - (F) tres FP ROI. Cada retorno de la inversión es de tamaño 128 x 128 píxeles. Se muestran los valores de los nodos correspondientes. Haga clic aquí para ver más grande la figura.

Figura 9
La Figura 9. (A) A 128 x 128 píxeles ROI TP con dis arquitectónicas distorsión; tamaño de píxel = 200 micras. Valor Node = 0.0299. (B) El espectro de Fourier 2D registro de potencia S (u, v) obtenido después de aplicar la ventana von Hann y relleno de ceros el retorno de la inversión de 256 x 256 píxeles. (C) El espectro de potencia de la (f, Ν) espacio. El eje horizontal corresponde al ángulo de Ν desde 0 ° a 179 ° y el eje vertical corresponde a la frecuencia radial desde 0,02 mm-1 a 2,5 mm -1. El píxel esquina superior izquierda corresponde a la frecuencia de 0,02 mm -1 y el ángulo de 0 °. Un marco negro se ha aplicado al espectro. (D) dispersión angular de potencia, S (Ν). Entropía HF = 7,2224. (E) La 1D espectro de potencia S (f) representa en una escala log-log como una función de la frecuencia radial f. El ajuste lineal también se muestra (línea roja), que dio lugar a FD = 2,3037 para el TP ROI.arget = "_blank"> Haga clic aquí para ver más grande la figura.

Figura 10
Figura 10. (A) Un 128 x 128 píxeles FP retorno de la inversión; tamaño de píxel = 200 micras. El retorno de la inversión provocó un nudo de PF debido a la superposición y / o de intersección estructuras normales. Valor Node = 0,0349. (B) El espectro de Fourier 2D registro de potencia S (u, v) obtenido después de aplicar la ventana von Hann y relleno de ceros el retorno de la inversión de 256 x 256 píxeles. (C) El espectro de potencia de la (f, Ν) espacio. El eje horizontal corresponde al ángulo de Ν desde 0 ° a 179 ° y el eje vertical corresponde a la frecuencia radial desde 0,02 mm -1 a 2,50 mm-1. El píxel esquina superior izquierda corresponde a la frecuencia de 0,02 mm -1 y el ángulo de 0 °. A bl ACK marco se ha aplicado al espectro. (D) dispersión angular de potencia, S (Ν). Entropía HF = 6,9444. (E) La 1D espectro de potencia S (f) representa en una escala log-log como una función de la frecuencia radial f. El ajuste lineal también se muestra (línea roja), que dio lugar a FD = 2,5223 para la FP ROI. Haga clic aquí para ver más grande la figura .

Figura 11
Figura 11. Curva FROC muestra el rendimiento de la detección de las características propuestas.

oad/50341/50341fig12highres.jpg "/>
Figura 12. Etiquetado final de ROIs para la mamografía original mostrada en la Figura 2. Las regiones de interés sospechosas detectadas en una etapa anterior del procesamiento se muestran en la Figura 7. Los rectángulos con contorno en verde representan TP ROI en la etapa final del análisis, los rectángulos que quedan señalados en amarillo representan fps o falsas alarmas. El rectángulo rojo indica la zona de distorsión de la arquitectura marcada por el radiólogo para el presente estudio, esta información no fue utilizada en el procedimiento de licencia de un paciente de salida aplicada al presente caso y no estaría disponible en una aplicación prospectiva del métodos propuestos.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Hemos presentado una serie de técnicas sofisticadas de procesamiento digital de imágenes y reconocimiento de patrones, también conocidos como el aprendizaje de máquina y CAD, para la detección de distorsión de la arquitectura en mamografías anteriores de los casos de cáncer de intervalo-. Los métodos se basan en el análisis de los patrones de textura orientada presentes en las imágenes mamográficas. Nuestros métodos, entre ellos varios más características propuestas en nuestras obras relacionadas, son capaces de detectar los primeros signos de cáncer de mama 15 meses antes de la hora del diagnóstico clínico, en promedio, con una sensibilidad del 80% a menos de 4 MF / paciente 22 , 58.

En una potencial aplicación clínica, las regiones de interés marcados por nuestros procedimientos deben considerarse como indicaciones para la inspección cuidadosa de las áreas correspondientes de las mamografías por el radiólogo. La decisión final con respecto a la presencia o ausencia de cáncer de mama debe ser realizada por un radiólogo, quien podrá solicitar procedimientos de imágenes adicionales opruebas clínicas para verificar o confirmar las sospechas planteadas por la mamografía y CAD.

Aunque nuestros métodos han dado resultados interesantes en el presente estudio retrospectivo, que aún no están listos para el uso clínico. Los métodos de toma cerca de 6 minutos por imagen en una estación de trabajo Dell Precision 490 PWS con procesadores Intel Xeon de cuádruple que funciona a 3,0 GHz, con 12 GB de memoria RAM, los requisitos computacionales deben reducirse por la aplicación óptima del código informático. Los resultados son comparables o ligeramente superiores a los reportados en estudios sobre la distorsión de la arquitectura con los sistemas CAD disponibles comercialmente 18,59,60, con la diferencia de que el presente trabajo se basa en las mamografías anteriores. El número de los MF debe ser reducido a aproximadamente uno por paciente con una sensibilidad asociada de al menos 80%.

Existen limitaciones en nuestro trabajo, en términos de los tipos de distorsión de la arquitectura detectado por los modelos utilizados. Los métodos deben ser tested con conjuntos de datos grandes. Los parámetros utilizados en los métodos, que han sido determinados empíricamente en el presente trabajo, necesitan ser optimizado en relación a las características de las mamografías en un determinado conjunto de datos a ser analizados. Esperamos que nuestros procedimientos que conducen a mejores resultados con las mamografías digitales directas e imágenes tomosíntesis de mama que los obtenidos con las imágenes de pantalla-película escaneadas como en el presente trabajo.

Conclusión

Nuestros métodos son prometedores en la detección de la distorsión y cáncer de mama arquitectónico en las primeras etapas. Es necesario seguir trabajando para lograr la detección de distorsión de la arquitectura con alta sensibilidad y las bajas tasas de PF.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Este trabajo fue apoyado por becas del Programa de Colaboración para la Investigación y Experiencia Profesional (CREE) y un Descubrimiento donación de Ciencias Naturales e Ingeniería de Investigación (NSERC), de 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 Número 78 Anatomía Fisiología Biología del Cáncer dispersión angular distorsión de la arquitectura el cáncer de mama diagnóstico diagnóstico asistido por ordenador Computer-Assisted (CAD) la entropía el movimiento browniano fraccional dimensión fractal los filtros de Gabor Procesamiento de Imágenes Médicas Informática mapa de nodos la textura orientada Reconocimiento de Patrones retratos de fase las mamografías anteriores el análisis espectral
La detección de la distorsión de la arquitectura en las mamografías previas<em&gt; Vía</em&gt; Análisis de los patrones Orientadas
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