Detektion av Architectural Distortion i Prior Mammografi Published: August 30, 2013 doi: 10.3791/50341

DOI

Automatic Translation

• English (Original)
• العربية (Arabic)
• 中文 (Chinese)
• dansk (Danish)
• Nederlands (Dutch)
• français (French)
• Deutsch (German)
• עברית (Hebrew)
• हिंदी (Hindi)
• italiano (Italian)
• 日本語 (Japanese)
• 한국어 (Korean)
• norsk (Norwegian)
• português (Portugese)
• русский (Russian)
• español (Spanish)
• svenska (Swedish)
• Türkçe (Turkish)

Rangaraj M. Rangayyan^1,2, Shantanu Banik¹, J.E. Leo Desautels¹

¹Department of Electrical and Computer Engineering, Schulich School of Engineering, University of Calgary, ²Department of Radiology, University of Calgary

Summary

Vi demonstrerar metoder för detektion av arkitektoniska distorsion i tidigare mammografi. Orienterade strukturer analyseras med Gabor filter och fasporträtt att upptäcka områden av utstrålande vävnadsmönster. Varje plats karakteriseras och klassificeras med hjälp av åtgärder för att representera spiculating mönster. Metoderna ska bidra till att upptäcka bröstcancer.

Abstract

Vi demonstrerar metoder för detektion av arkitektoniska distorsion i tidigare mammografi av intervall-cancerfall som baseras på analys av inriktningen på bröstvävnad mönster i mammografi. Vår hypotes är att arkitektonisk distorsion modifierar den normala orienteringen av bröstvävnadsmönster i mammografiska bilder innan bildandet av massor eller tumörer. I de inledande stegen av våra metoder är de orienterade strukturer i en given mammogram analyseras med Gabor filter och fasporträtt att upptäcka nod-liknande platser i utstrålande eller korsande vävnadsmönster. Varje identifierat site därefter karakteriseras med användning av nodens värde, fraktal dimension, och ett mått på vinkel dispersion särskilt utformade för att representera spiculating mönster i samband med arkitektonisk distorsion.

Våra metoder testades med en databas med 106 tidigare mammografi av 56 intervall-cancerfall och 52 mammografi i 13 normalfallet med hjälp av de funktioner som utvecklats förkarakterisering av arkitektoniska distorsion, mönsterklassificering via kvadratisk diskriminantanalys, och validering med ledigheten-en-patient procedur. Enligt resultaten av fri-responsmottagare arbetar karakteristiska analys, har våra metoder visat förmågan att upptäcka arkitektoniska distorsion i tidigare mammografi, tagen 15 månader (i genomsnitt) innan klinisk diagnos av bröstcancer, med en känslighet på 80% vid ungefär fem falska positiva per patient.

Introduction

Bröstcancer är en allvarlig sjukdom som drabbar kvinnor och är den näst vanligaste orsaken till cancerrelaterad död bland kvinnor ^1,2. För att förbättra chansen till överlevnad och prognosen för de drabbade patienterna genom effektiv behandling vid tidiga stadier av bröstcancer, behöver den sjukdom som skall upptäckas så tidigt som möjligt. I retrospektiv analys av fall av bröstcancer, har subtila tecken på avvikelser observerats på tidigare förvärvade screening mammografi ^3,4. Architectural distorsion är en sådan lokaliserad mammografiska tecken på eventuellt tidiga stadier av bröstcancer som är svår att detektera ^5,6. De tillhörande mönster är vagt beskrivna som en snedvridning av den normala arkitekturen av bröstet med ingen bestämd massa synliga. Arkitektonisk förvrängning kan uppträda vid de inledande stegen i bildandet av ett bröst massa eller tumör. Vår hypotes är att screening mammografi erhållits före upptäckten av bröstcancer cOuld innehålla subtila tecken på tidiga stadier av bröstcancer, i synnerhet, arkitektoniska distorsion.

Figur 1a visar en tidigare mammografiska bild av ett fall av skärm-upptäckt cancer. Regionen av avvikelse identifieras av en radiolog (Jeld) skisseras med en röd rektangel. Den tidigare mammogram togs 24 månader före upptäckten mammografi som visas i figur 1b. Den tidigare mammografi hade förklarats vara fri från tecken på cancer på den ursprungliga instansen av screening. I retrospektiv analys och i jämförelse med den detektions mammografi, en misstänkt region relaterad till platsen för cancer upptäckt var märkt av radiologen, och beskrivs i rött på den föregående mammogram. Den misstänkta regionen finns tecken på arkitektonisk distorsion, även spicules.

Datorstödd diagnos (CAD) tekniker och system har potential för att uppnå ökad känslighet vid detektion av Breast cancer ^2,7-9. Men i jämförelse med antalet publikationer som finns i litteraturen om att upptäcka andra tecken på bröstcancer, såsom massor och förkalkningar, endast ett fåtal studier har rapporterat om upptäckten av arkitektoniska distorsion i avsaknad av en central massa ^10-17. Kommersiellt tillgängliga CAD-system har visat sig fungera dåligt i upptäckten av arkitektonisk distorsion ^18. Studier om upptäckten av arkitektoniska distorsion i tidigare mammografi av skärm upptäcks eller intervall-cancerfall ^3,4,19-22 kunde hjälpa till att utveckla strategier för att upptäcka och behandling av bröstsjukdomar vid ett tidigt skede, och leda till förbättring av prognos för patienten ^23.

Beredning av bilder för experimentet

Experiment utfördes med 158 mammografiska bilder bland 106 tidigare mammografi av 56 personer diagnostiserademed bröstcancer och 52 bilder av 13 normala individer. Etiskt godkännande för studien erhölls från Conjoint Health Research Ethics Board, Office of Medical bioetik vid universitetet i Calgary och Calgary Regional Health Authority. Bilderna erhölls från Screen Test: Alberta Program för tidig upptäckt av bröstcancer ^21,24,25.

Mammografi förvärvats i det sista inplanerade besök i screeningprogrammet innan diagnos av cancer utanför screeningprogrammet stämplades som tidigare mammografi av intervall-cancerfall. Motsvarande diagnostiska mammografi inte var tillgängliga. Alla utom två av de 106 tidigare mammografi hade förklarats vara fri från tecken på bröstcancer vid tidpunkten för förvärvet och analys i screeningprogrammet, de personer som motsvarar de andra två mammografi hade remitterats för biopsi. Tidsintervallet mellan diagnosen av cancer och tidigare mammografi varierade från 1,5 månads till 24,5 månader, med ett genomsnitt på 15 månader och standardavvikelse på 7 månader. Alla de tidigare mammografi av intervall-cancerfall som finns i databasen har tagits med i denna studie, utom sex bilder där inga misstänkta delar kunde identifieras.

De skärm-film mammografi digitaliserades vid den rumsliga upplösningen av 50 pm och gråskala upplösning på 12 bitar per bildpunkt genom att använda Lumiscan 85 laserskanner (Lumisys, Sunnyvale, CA). En expert röntgenläkare specialiserad på mammografi (Jeld) granskat alla de 106 tidigare mammografi av intervall-cancerfall och markerade de misstänkta områden i arkitektonisk distorsion med rektangulära lådor bygger på de rapporter som finns på efterföljande avbildning eller biopsi, eller genom ingående inspektion av mammografi . Av de 106 tidigare mammografiska bilder i datamängden som används i denna studie, 38 bilder har synliga arkitektoniska distorsion, och de resterande 68 bilderna innehåller tveksamt eller inget klart evident arkitektonisk distorsion. Varje tidigare mammogram innehåller en enda plats arkitektonisk distorsion som identifieras av den rektangulära rutan teckningar av radiologen. Den genomsnittliga bredd, höjd, och området av de 106 misstänkta delar av bilder som är markerade med radiologen är 56 mm, 39 mm och 2274 mm ^2, med standardavvikelsen av 11,8 mm, 11,6 mm och 1073,9 mm ^2, respektive.

Protocol

1. Översikt över Metodik

I vår procedur, är potentiella platser av arkitektoniskt distorsion i mammografi automatiskt via analys av orienterade texturmönster med tillämpning av en bank av Gabor filter ²⁶ och modellering av fasporträtt ^11,27. De upptäckta platser bearbetas sedan genom stegen för utvinning av funktioner eller åtgärder för att karakterisera arkitektoniska distorsion, utveckling av en utbildad klassificerare, och tillämpning av en algoritm för mönsterigenkänning och klassificering. Förfarandet sammanfattas av följande steg ^11,20,21:

1. Segment bröstdelen i den givna mammografi bilden med adaptiv tröskel och morfologisk öppning.
2. Applicera en uppsättning av 180 Gabor filter med vinklar fördelade jämnt över intervallet -90 ° till +90 ° för att erhålla Gabor magnitud bilden, M (i, j), och Gabor vinkeln bilden, θ(I, j), genom att välja svaret och vinkel hos filtret med den högsta responsen vid varje pixel (i, j).
3. Välj kroklinjiga strukturer (CLSS) av intresse, såsom nålar och fibroglandular vävnad, genom att skilja dem från andra påverkande strukturer, såsom kanterna på bröstmuskeln, parenkymal vävnad, bröst-gränsen, och brus, med hjälp av orienteringsfältet gradientfältet, den nonmaximal suppression (NMS) teknik, och ytterligare villkor ^11.
4. Filtrera den orientering fält med en Gauss-filter med standardavvikelsen för 7 bildpunkter och ner-prov med en faktor fyra för att minska buller och ytterligare beräkningskraven ^11,20.
5. Applicera linjär fas porträtt modellering, med ett glidande analysfönster av storleken 10 x 10 bildpunkter vid 800 nm / pixel, med en pixel per steg, till den filtrerade orienteringsfältet, med särskilda villkor för att välja fas-porträtt kartor som avser särskilda typer av nod patterns ^11,20.
6. Rösta, om vissa villkor är uppfyllda, i den position som ges av den fasta punkten för varje position i analysfönstret för att bilda nod kartan.
7. Filtrera noden kartan med en Gauss-fönster av storlek 35 x 35 bildpunkter, med den empiriskt standardavvikelse för sex pixlar (4,8 mm), för att konsolidera röster i omedelbar närhet till en annan.
8. Analysera noden kartan genom rang-beställning topparna i noden kartan.
9. Skär områden av intresse (ROI), i storlek 128 x 128 bildpunkter utom vid kanterna, från den ursprungliga bilden, med mitten av varje ROI beläget i centrum av den tillhörande topp i noden kartan. Vid kanterna av bilden bearbetas, skapa ROI att omfatta så mycket av bilddata som finns tillgänglig i det angivna fönstret.
10. Härled funktioner eller åtgärder för att karakterisera de spiculating mönstren avseende arkitekt distorsion och skiljer dem från normala vävnadsmönster som uppfyllde vissa av de ursprungliga villkoren.
<li> Utveckla en utbildad klassificerare att skilja mellan funktionerna i platser med arkitektoniska distorsion och de av normala vävnadsmönster med hjälp av en utbildning uppsättning av ROI klassificerats av en radiolog.
11. Applicera utbildad klassificerare till en uppsättning testfall och kontrollera resultaten med diagnosen tillhandahålls av radiologen och baseras på biopsi.

Steg 1-9 som anges ovan tillämpas automatiskt till en given mammografibild. Valda steg i förfarandet som anges ovan beskrivs och illustreras i följande avsnitt.

2. Förbehandling i mammografiska bilder

Förbehandlings steget består av följande steg:

1. Filtrera den givna mammografi bilden med en Gauss-filter, med en standardavvikelse på 2 pixlar och storlek på 13 x 13 pixlar med upplösning på 50 nm / pixel och 12 bitar / bildpunkt, och ned-prov till 200 um / pixel och 8 bitar / pixlar.
2. Reflekterabilden om den är i höger bröst.
3. Segment bröstregionen i mammografiska bilden med Otsu s adaptiv tröskelmetod och morfologisk öppning med en skivformad strukturelement med radien 25 pixlar (5 mm vid 200 nm / pixel) ^21,28,29.
4. Identifiera den ungefärliga bröst gränsen ^10,21.

Figur 2A visar ett original före mammogram. Figur 2B i samma figur visar resultatet av ungefärliga segmentering av bröstpartiet, som används i de efterföljande stegen av bearbetning och analys.

3. Utvinning av Oriented Mönster där Gabor filter

Den verkliga Gabor filterfunktion orienterad vid -90 ° specificeras i vårt arbete som ^10,30:

där & #963; _x och σ _y är de standardavvikelsevärden i x-och y-riktningarna, och ƒ _o är frekvensen hos den modulerande sinuskurvan. Filter vid andra vinklar erhålls genom att rotera denna funktion med hjälp av koordinattransformation som:

där (x ', y') är den uppsättning koordinater roteras med vinkeln α.

Parametrarna i ekvation 1 för filtrering mammografi härleds i vårt arbete genom att ta hänsyn till den genomsnittliga storleken på bröstvävnaden mönster att upptäckas, enligt följande ^10:

1. Låt Τ vara full bredd vid halva maximala av Gauss termen i ekvation 1 längs x-axeln.
2. Låt Τ = 4 pixlar, vilket motsvarar en tjocklek på 00,8 mm vid pixelstorlek på 200 | im.
3. Beräkna .
4. Låt perioden för cosinus sikt vara Τ, sedan ƒ _o = 1 / Τ.
5. Låt värdet av σ _y definieras som σ _y = lσ _x, där l bestämmer töjningen av Gabor filter i y-riktningen, i jämförelse med bredden hos filtret i x-riktningen. För analys av mammografi vid 200 nm / pixel, användning l = 8.

En bank på 180 real Gabor filter jämnt fördelade över intervallet -90 ° till +90 ° används i våra metoder för detektion av orienterade mönster i mammografi ^{10, 21.} För varje given bild, en Gabor magnitud bild, M (i, j), och en Gabor vinkel bild, θ (i, j), erhålls med hjälp av respons och vinkel av the Gabor-filter med den högsta responsen vid varje pixel (i, j).

Den Gabor filter har en från noll skild magnitudsvar i origo av frekvensplanet (nollfrekvens). Eftersom lågfrekventa komponenter inte är relaterad till närvaron av arkitektonisk distorsion, är det önskvärt att minska effekten av de lågfrekventa komponenterna i den mammografiska bilden i orienteringsfältet magnitud. Därför mammografiska bilder är högpassfUtrerade före utvinning av orienteringsfältet. Detta uppnås genom att beräkna skillnaden mellan den ursprungliga bilden och ett låg-passfiltrerad version av samma bild. Det lågpassfilter som används i detta steg är en Gauss-filtret med den standardavvikelse som är lika med σ _y definieras som ovan.

Även om en skulle kunna spara den filtrerade bilden för varje vinkel av intresse, i detta arbete, är det maximala svaret för varje pixel över samtliga filter (vinklar) som användssparas i en enda bild, kallad Gabor magnitudsvar; den motsvarande vinkeln för Gabor filter sparas för varje pixel i en annan bild, kallad Gabor vinkelrespons. Tillsammans, de två utgångs bilder ger orientering inom den givna bilden.

Figur 3A visar en testbild av en växt. Figur 3B visar Fourier-spektrumet för den bild, som visar koncentrationer av energi i olika vinklar. Alla delar av bilden med samma inriktning, oavsett position och storlek, har sina frekvenskomponenter (spektral energi) som ligger i en vinkelband eller sektor placerad i 90 ° i förhållande till sin läggning i bilden. Resultaten av att filtrera bilden med Gabor-filter med Τ = 8 pixlar och l = 8 visas i figurerna 3 C och D. Det är uppenbart att de Gabor filter har extraherats delar av växten orienterade i olika vinklar med hög magstorleksordning respons och att vinkeln gensvar överens med orienteringen av den dominerande inslag närvarande vid motsvarande pixel. Genom att använda en bank av Gabor filter orienterad vid flera vinklar i intervallet -90 ° till +90 °, har vi extraherat alla orienterade komponenter som finns i bilden och deras vinklar i varje pixel. Det är uppenbart att svaret på Gabor filter är nästan noll i släta områden med samma intensitet och inga strukturer med önskad inriktning, till exempel delar av potten och väggen.

Figur 4 visar de Gabor magnitud och vinkelsvar som erhölls för mammografi med arkitektonisk distorsion visas i figur 2B. Det är uppenbart att de Gabor filter har extraherats orienterade komponenter med höga svar samt motsvarande vinklar. Det ses också att svaret på Gabor filter är låg i släta områden med nästan konstant densitet och inga strukturer med drog orienteringtion. Vid närmare inspektion, kan det också konstateras att svaret från Gabor filter beror på kontrasten av en orienterad struktur i förhållande till sin bakgrund och inte bara på dess täthet eller ljusstyrka. Dessa resultat är på grund av den bandpass naturen av Gabor filter.

4. Val av Kroklinjiga Structures

Mammografi innehåller många CLSS motsvarande ledningar, kärl, ligament, parenkymal vävnad och kanterna av bröstmuskeln. Vissa avvikelser i mammografi skulle kunna kännetecknas av förekomsten av vissa typer av CLS, såsom spiculated massorna ^12,31,32 och arkitektonisk distorsion ^10,11,33, eller genom asymmetrisk struktur orienterad struktur i bröstbild ^34. Å andra sidan, vissa typer av lesioner, såsom avgränsade massorna, skulle skymmas av flera CLSS lagrade på skador i de projicerade mammografiska bilder, uppkomsten av sådana skador kan vara altställda och kan leda till falskt negativa upptäckt eller fel diagnos. Analys av CLSS närvarande i mammografi skulle kunna förbättra prestandan hos algoritmer för detektering av spiculated massa och arkitektonisk distorsion, såsom föreslås av Zwiggelaar et al. ^35. Därför är identifieringen av CLSS ett viktigt steg för detektering av arkitektonisk distorsion.

Fastän Gabor filterbanken som används i föreliggande arbete är känslig för linjära strukturer, såsom nålar och fibrer, detekterar den även andra starka kanter, såsom kanterna på bröstmuskeln, kanterna av parenkymal vävnad och kärlväggar, såsom orienterade strukturer . Starka kanter runt fibroglandular skiva ³⁶ kan användas vid detektering av en särskild form av arkitektonisk distorsion ³⁷ känd som fokal indragning. Men i föreliggande arbete är det viktigt att endast CLSS relaterad till fibroglandular vävnader identifieras som orienterade funktioner.

1. Segment brösten i en given mammogram som beskrivs i avsnitt 2.
2. Identifiera kärn CLS bildpunkter genom att tillämpa NMS tekniken ^35,38 till Gabor magnitud svarsbild.
3. Avvisa CLSS bildpunkter på platser med en stark lutning ^33.

NMS algoritmen identifierar kärn CLS pixlar genom att jämföra varje pixel i magnitudsvar bild med sina grannar längs den riktning som är vinkelrät mot den lokala orienteringen fältvinkeln, se Figur 5. Om pixeln under undersökning har en större magnitud värde än motsvarande grannar är pixel en kärna CLS pixel. NMS är ett vanligt steg i många kantdetektorer (såsom Canny kantdetektorn ^39). Zwiggelaar et al. ³⁵ begagnade NMS för påvisande av CLS bildpunkter på samma sätt som beskrivits i dettasektion.

Närvaron av en stark gradient kan orsaka en krusning i Gabor magnitudsvar, vilket leder till en felaktig detektering av ett CLS. Kärn CLS pixlar i samband med förekomsten av starka gradienter avslås av de kriterier som föreslagits av Karssemeijer och te Brake ¹² i samband med upptäckt av spiculated lesioner. Gradienten av mammografiska bild erhålls med hjälp av den första derivatan av en Gauss med en standardavvikelse på fem pixlar (1 mm). För varje kärna CLS pixel, är riktningen av gradient i förhållande till riktningen av orienteringsfältet. Om skillnaden mellan den riktning som orienteringsfältet och riktningen vinkelrätt mot lutningen är mindre än 30 °, är den motsvarande kärnan CLS pixel kastades.

De CLSS inom fibroglandular disken vanligtvis besitter minskad kontrast jämfört med CLSS utanför fibroglandular disken. Då stiger CLSS inom fibroglandular disk har mindre Gabor magnitud svarsvärden än de CLSS utanför disken. För att tilldela samma vikt för alla CLS bildpunkter oberoende av plats, och för att säkerställa att upptäcka relevanta CLSS med låg kontrast, till exempel spicules inom fibroglandular disken, är storleken fält M (i, j) ersätts för vidare bearbetning av en bild som består av endast kärn CLS pixlar, M _CLS (i, j), definieras enligt följande:

Bilden M _CLS (i, j) förmedlar viktig information om förekomsten av CLSS Figur 6. Visar resultaten av CLS val med en full mammogram och en ROI. På grund av närvaron av arkitektonisk distortion indikeras av det geometriska arrangemanget av de associerade CLSS snarare än deras densitet eller intensiteten, förstotude för den detekterade CLSS har lägre vikt än den rumsliga utformningen av orienterade strukturer.

5. Upptäckt och märkning av misstänkta platser via Analys av fasporträtt

Rao och Jain ⁴⁰ utvecklat en metod för analys av orienterad struktur i bilder genom att associera med motsvarande lutning orienteringsfältet med utseendet på fasporträtt. En fas porträtt av ett system med två linjära, första ordningens, differentialekvationer visar möjliga banorna för tillståndsvariablerna ^27.

Låt p (t) och q (t), t R, representerar två deriverbara funktioner av tiden t, anknytning som

Härp ^• (t) och q ^• (t) är den första ordningens derivator med avseende på tid, och F och G är funktioner av p och q ^10. Med tanke på den initiala förhållanden p (0) och Q (0), lösningen [p (t), Q (t)], kan representeras i form av en parametrisk bana eller effektivisera en hypotetisk partikel i (p, q ) planet. Partikeln är placerad på [p (0), Q (0)] vid tiden t = 0 och rör sig genom det (p, q)-planet med hastigheten [p ^• (t) och q ^• (t)]. Den (p, q)-planet kallas fasplanet hos systemet. En fas porträtt är ett diagram av de möjliga banorna för en partikel i fasplanet. En fast punkt är en punkt i fas planet där p ^• ( m> t) = 0 och q ^• (t) = 0. En partikel vänster vid en fast punkt förblir stationär. För en affin-system, vi har

Här är A en 2 x 2 matris och B är en 2 x 1 kolonnmatris. Centret (p _0, q ₀₎ av fasporträttet ges av den fasta punkten som

Om vi förknippar funktioner p (t) och q (t) med x-och y-koordinater i planet av bilden som behandlas, är det motsvarande orienteringsfältet

res.jpg "width =" 500 "/>
Här Φ (xy) är vinkeln för hastighetsvektorn [p ^• (t), q ^• (t)] med avseende på x-axeln i (x, y) = [p (t), Q (t)] . Vi förknippar Φ (xy) med Gabor vinkeln θ (i, j), och definiera en felfunktion minimeras så

där [a, b] och [c, d] är de två raderna av A. Den sista termen ger ett högre straff (kostnad) för avvikelse i konfigurationer av matrisen A från de som rör spiculated nod mönster. Den ekvation som ges ovan representerar Φ (xy) på en diskret galler (i, j) i stället för den kontinuerliga utrymmet (x, y). Estimates av A och B som minimerar ε ² (A, b) erhålls genom följande procedur:

1. Skaffa ursprungliga beräkningarna av A och B genom minimering av ε ² (A, b) med hjälp av simulerad glödgning metoden ^41.
2. Skaffa den optimala beräkningar genom att förfina de ursprungliga beräkningarna med hjälp av en icke-linjär minsta kvadratalgoritmen ^42.

I den modell som beskrivs ovan, finns det tre möjliga typer av fasporträtt: nod, sadel, och spiral. Typen av fas porträtt bestäms av egenvärdena till A ^10,27,30,40. Orienteringen fält av en texturerad bild kan beskrivas genom att bestämma vilken typ av fasporträttet som är mest likt dess orientering fält. Eftersom spiralmönster är inte av intresse i analysen avmammografi, begränsar vi matrisen A att vara symmetrisk, vilket resulterar i endast två typer av fasporträtt: node och sadeln.

På grund av den förväntade förekomsten av ett antal nålar i olika vinklar som får överlagrade på den projicerade mammografi bilden, antar vi att en webbplats för arkitektonisk distorsion kommer att presentera nod-liknande egenskaper. Däremot kan normala vävnader, kanaler, fartyg och andra orienterade strukturer i bröstet också få projiceras och överlagras för att bilda mönster som efterliknar utseendet av arkitektoniska distorsion i ett mammogram. Därför analyserar vi noden kartan för att upptäcka misstänkta webbplatser eller potentiella platser av arkitektoniskt distorsion, och analysera de upptäckta platser genom ytterligare steg för feature extraction och mönsterklassificering.

Eftersom en mammografi kan uppvisa flera mönster, vi tillämpa en glidande analysfönster för storlek 10 x 10 bildpunkter, vid 800 nm / pixel, med one pixel per steg. För varje position i fönstret, är en röst gjuten i en karta, kallad nod kartan, i den position som ges av motsvarande fasta punkten, om alla de villkor som tillämpas är uppfyllda. Resultat relaterade till matrisen A med sitt tillstånd nummer större än 3,0 avvisas att ignorera mönster som inte förväntas bli förknippade med arkitektonisk distorsion ^11. Dessutom har ett ytterligare villkor införts på avståndet mellan en fast punkt och positionen för motsvarande analysfönstret: om avståndet är mindre än tre pixlar (2,4 mm) eller större än 20 pixlar (16 mm), resultaten för den aktuella analysfönster avvisas. Omfattningen av omröstningen är satt lika med kvoten för den åtgärd i passnings ε ² (A, b), definierad i ekvation 7, på villkor antalet A, för att betona isotropin av fasporträttet. Noden kartan analyseras sedan för att upptäcka local maxima eller toppar som förväntas indikera platser av arkitektoniskt distorsion. Men förfarandet resulterar också i att upptäcka ett antal falskt positiva (FP) platser på grund av överlagrade normala strukturer.

Vid varje topp i noden kartan, vi automatiskt extrahera en ROI, i storlek 128 x 128 bildpunkter utom vid kanterna av bilderna, från mammografibild vid 200 nm / pixel. Vi märka ROI på de platser som anges av topparna i noden kartan, i fallande ordning av värdena av topparna, upp till maximalt 30 ROI per mammogram.

När mammografi med kända diagnoser används för att träna vårt förfarande, upptäcks det automatiskt ROI med sina centra inom de delar av arkitektur distorsion identifieras av radiologen är märkta som sann-positiva (TP) ROI, de andra är märkta som FP ROI för användning i träningsproceduren. När ett mammogram analyseras med hjälp av utbildade förfarande, samtliga ROI upptäckt etts ovan bearbetas för klassificering utan märkning.

Figur 7 visar noden kartan och ROI upptäckts för mammografi som visas i figur 2B. De röda rektanglarna anger misstänkta området präglas av radiologen.

Figur 8 visar ett antal TP och FP ROI extraherade automatiskt från flera mammografi. De flesta av de TP ROI har flera nålar och orienterade mönster spridda över ett brett intervall av vinklar. FP ROI, å andra sidan, har ett mindre antal normala vävnadsstrukturer orienterade över ett smalare intervall av vinklar, oavsett, på grund av deras överlagring i den projicerade mammografiska bild, de härmar noden liknande egenskaper arkitektonisk distorsion.

Vår strategi är att upptäcka misstänkta områden med hög verkningsgrad eller känslighet i det inledande skedet (med motsvarande låga falska negativa), även om den medföljande antal av ramprogrammen är stor. Nästa steg för analys av ROI är utformad för att bidra till att minska ramprogrammen via effektiv karakterisering och klassificering av den detekterade ROI.

6. Karakterisering av Architectural Distortion

Ett automatiskt ROI inklusive arkitektoniska distorsion, centrerad på en topp i den relaterade nod kartan, kommer sannolikt att ha flera spicules utspridda i olika vinklar. Vi förväntar oss att denna egenskap att leda till en bred vinkelspridning av energi i bilden domän och spektral energi i Fourier-domänen. I våra tidigare arbeten har vi visat att en sådan vinkel dispersion kan representeras på ett effektivt sätt i form av en ros diagram, vilket är en vinkel histogram ^21,22. Vi normalisera rosen diagrammet att ha ytenhet och behandla det som en sannolikhetstäthetsfunktionen (pdf). Sedan karakteriserar vi PDF för varje ROI med hjälp av entropi, vilket är en statistiskt mått på oordning eller sprids.

ontent "> Den ökade spridning av vävnadsmönster i regioner med arkitektonisk distorsion ändrar fraktal karaktär av normal bröstvävnad. Den vanligaste modellerna av fraktaler bygger på multiskal kapslade mönster av själv liknande mönster ^43-46. En annan modell av fraktal beteende är fraktionerad Brownsk rörelse (FBM) som är relaterat till ett spektrum i frekvensdomänen, där kraften avtar i proportion till (1 / f) ^ β, där f är frekvensen och β är känd som den spektrala komponenten ^47,48. Den FBM-modellen leder till fraktal bilder som liknar slump molniga mönster;. jämförbara mönster ses ofta i mammografi För att tillämpa denna modell på bilderna, behöver den tvådimensionella (2D) Fourierspektrum av bilden som ska omvandlas till en en endimensionell (1D) funktion.

Vi har utvecklat en integrerad metod för att karakterisera vinkelspridning och för att härleda en uppskattning av de fraktala dimension (FD) av en bild genom att omvandla 2D Fourier-spektrumet av bilden i rektangulära koordinater, som betecknas med S (u, v), till ett spektrum i polära koordinater, som betecknas med S (ƒ, Ν). Proceduren beskrivs med följande steg ^21:

1. Applicera von Hann fönstret till varje automatiskt extraherade 128 x 128 ROI och pad resultatet med nollor till en matris med storlek 256 x 256 bildpunkter.
2. Beräkna 2D Fouriertransformen av det stoppade ROI och storleken hos varje resulterande komplext värde för att erhålla en uppskattning av effektspektrumet, S (u, v), för ROI.
3. Identifiera utvalda lågfrekventa och högfrekventa delar av spektrumet för uteslutning i efterföljande steg.
4. Karta 2D effektspektrumet S (u, v) från den cartesianska (rektangulära) koordinater (u, v) till polära koordinater (ƒ, Ν) för att erhålla S (ƒ, Ν), genom att sampla och beräkna ett vägt genomsnitt av fyra grannar each poäng för radiella avståndet f sträcker sig från noll till halva samplingsfrekvensen, och över området av vinkeln Ν = [0, 179 °].
5. Omvandla 2D spektrumet S (ƒ, Ν) i en 1D funktion S (ƒ), genom att integrera som en funktion av det radiella avståndet eller frekvensen f från nollfrekvenspunkten över intervallet i Ν = [0, 179 °] i vinkel.
6. Applicera linjär regression till ett begränsat frekvensområde av 1D-spektrum S (ƒ) på en log-log-skala, med undantag av punkter i valda lågfrekventa och högfrekventa regioner, och erhålla lutningen β för den anpassade linjen, som är en uppskattning den spektrala komponenten i FBM modell.
7. Beräkna det uppskattade värdet på FD som ^15,49,50 FD = (8 - β) / 2.
8. Omvandla 2D spektrumet S (ƒ, Ν) i en 1D funktion S (Ν), genom att integrera som en funktion av vinkeln Ν förintervallet [0, 179 °], från nollfrekvenspunkten över radiellt avstånd ƒ = [1, 128] bildpunkter.
9. Normalisera S (Ν) för att ha enhetsbelopp och beräkna entropin av resultatet som .

Den geometriska transformationen beskrivs ovan leder till förbättrad representation och visualisering av spektrala egenskaper periodisk eller spiculated konsistens ^9. Valda låg-och högfrekventa regioner måste uteslutas för att undanröja verkningarna av de lågfrekventa komponenter relaterade till helhetsintrycket av bilden och de stora strukturerna som finns i bilden, samt att förebygga effekterna av högfrekvent brus. I det aktuella arbetet, de frekvensband uteslutas vid uppskattningen av β-och FD (dvs. de icke-linjära delarna) väljs utifrån experiment med hjälp av syntetiserade bilder med känd FD, och även med hjälp av enantal ROI för mammografi. Utbudet av ƒ för att passa den linjära modellen motsvarar [6, 96] bildpunkter eller [0.117, 1,875] mm ^-1, där intervallet [1, 128] bildpunkter motsvarar diskret representation av frekvensområdet [0, 2.5 ] mm ^-1.

Figurerna 9 och 10 visar de olika stegen för fraktal analys och uppskattning av vinkel spridningen av makten i frekvensplanet för en TP ROI och en FP ROI, respektive. Figur 9D visar att det finns flera riktningar spiculating mönster för TP ROI, medan i figur 10D, är spridningen av makt begränsad till ett litet antal vinkelband för FP ROI.

7. Mönster Klassificering och validering

Vi har nu tre åtgärder eller funktioner för varje ROI upptäcks automatiskt: [node värdet, H _F, FD], som beskrivs i avsnitt 6. Vi använder dessa funktioner, jagndividually och kollektivt, för att karakterisera spiculating mönstren avseende arkitekt distorsion och att differentiera TP ROI från FP ROI upptäckts.

För TP ROI visas i figur 9, är det egenskapsvektom består av de tre åtgärder som härrör [0,0299, 7,2224, 2,3037]. För FP ROI som visas i figur 10, är motsvarande egenskapsvektom [0,0349, 6,9444, 2,5223]. Som förväntat, är H _F-värde högre för TP ROI än för FP ROI, och värdet på FD är lägre. Dock är noden värdet lägre för TP ROI än för FP ROI, vilket strider mot de förväntade skillnader, på grund av förekomsten av överlappande strukturer i den senare. I allmänhet kan vi förvänta oss en del av de funktioner för att följa de förväntade trenderna och hjälpa till klassificering av ROI även om andra funktioner inte uppvisar det förväntade beteendet.

För att utvärdera prestandan av de funktionerVi använder området under mottagarens driftskarakteristik (ROC)-kurvan (AUC) ^51,52 och fri-respons ROC (FROC) analys ^53-55. För ROC och FROC analys med en enskild funktion, använder vi inte en utbildad klassificerare, utan vi tillämpar en glidande tröskel. De tre olika funktioner i noden, FD, och H _F förutsatt AUC-värden av 0,61, 0,59 och 0,64, respektive, vilket indikerar god potential men inte tillräcklig prestanda i mönsterklassificering. De p-värden på samma egenskaper är 1.7638e-009, 1.8793e-004, och 2.2615e-013, som visar statistiskt mycket signifikanta skillnader mellan deras värden för uppsättningar automatiskt TP och FP ROI.

När ett stort antal funktioner som används för att representera prover för klassificering, är det nödvändigt att välja en optimal delmängd av funktioner för att ta bort korrelerade egenskaper och minska komplexiteten i den klassificerare ^20-22; flera procedder, såsom stegvis logistisk regressions ^56, kan användas för detta ändamål. I detta arbete, eftersom vi använder endast tre funktioner per ROI, vi utför inte funktionen val.

För att utföra validering av utbildad klassificerare, vi tillämpa klassificeringsförfaranden mönster med ledigheten-en patient-out strategi. Vi utesluter alla ROI extraherade från mammografi för patienten som ska testas från träningsförfarandet av klassificerare, och sedan använda den klassificerare som erhållits till testfall. Vi upprepar sedan proceduren för hela datasetet, ett fall eller patient i taget.

För ROC-analys med den uppsättning av tre funktioner, använder vi en klassificerare som utför kvadratisk diskriminantanalys med Bayes antagande ^57. För att generera FROC kurvor, anser vi TP ROI med högsta diskriminantanalys värdet i de två mammografiska bilder tillgängliga för patienten, utom i sex fall där endast enbild finns tillgänglig per case.

Representative Results

De tre funktioner, nämligen nod värde, FD, och H _F, som AUC-värden av 0,61, 0,59 och 0,64, respektive, när varje funktion användes på egen hand. Kombinerad användning av de tre funktioner som förbättrad prestanda med AUC = 0,70. Den FROC kurva erhållen med kombinationen av de tre funktionerna visas i fig. 11, vilket indikerar en känslighet på 80% vid 5,6 fps / patient och 89% vid 7,5 fps / patient. Användning av endast noden värde gav en sensitivitet på 80% vid 8,1 fps / patient och 89% vid 13,8 fps / patienten.

Reduktionen av FPS i det slutliga resultatet visas i fig 12. För åskådlighetens skull visas endast sex ROI med den högsta rankingen visas. Siffrorna utanför parentes anger rangordning utifrån diskriminantfunktioner värden som erhålls genom Bayes klassificerare, siffrorna inom parentes motsvarar den tidigare rangordning utifrån noden kartan. Jämföra trong> Figur 12 med det initiala steget av detektering av misstänkta ROI som visas i figur 7, är det uppenbart att de funktioner som används för att karakterisera arkitektonisk distorsion har lett till en väsentlig minskning av FP, som jämfört med det inledande skedet av nod-analys, med bibehållande av god känslighet för upptäckt. Detta är ett fall där tre av de högt rankade ROI har överlappat med den misstänkta området arkitektoniska distorsion präglas av radiologen, och utgör ett fall av framgångsrik detektering av vår procedur.

I en klinisk applikation, bör antalet ROI som ska visas i det slutliga resultatet skall bestämmas beroende på den önskade känsligheten och antalet ramprogrammen som skulle tolereras, liksom preferensen för radiologer.

oad/50341/50341fig1.jpg "/>
Figur 1. (A) En tidigare mammogram av storleken 1377 x 850 bildpunkter vid 200 nm / upplösning pixel, (A) motsvarande upptäckt mammografi av storlek 1374 x 850 bildpunkter vid 200 nm / pixel upplösning, (C) förstorad region arkitektonisk störning i bild visas delvis (A), i storlek 39,2 mm x 21,8 mm, (D) förstorad region arkitektoniska distorsion i bilden som visas i del (B), av storleken på storlek 40,8 mm x 26,8 mm. Den tidigare mammogram togs 24 månader före upptäckten mammogram. Detta är ett fall av skärm-upptäckt bröstcancer. Klicka här för att visa en större bild.

41fig2highres.jpg "/>
Figur 2. (A) En tidigare mammogram av storleken 1377 x 850 bildpunkter vid 200 nm / upplösning pixel,. (B) motsvarande bild efter förbehandling för ungefärliga segmentering av bröstregionen Klicka här för att visa en större bild.

Figur 3. (A) Test bild av en anläggning med flera orienterade delar, i storlek 646 x 668 bildpunkter, (B) Fourier magnitud spektrum av bilden visar energi koncentrerad på flera vinklar, (C) Gabor magnitud svar, och (D) Gabor vinkeln . 180 Gabor filter användes i intervallet -90 ° till +90 °, med Τ > = 8 pixlar och l = 8. Klicka här för att visa en större bild.

Figur 4. (A) Gabor magnitud och (B) vinkelsvar för mammografi med arkitektonisk distorsion visas i figur 2B, med storleken 1377 x 850 bildpunkter vid 200 | im per pixel. 180 Gabor filter användes i intervallet -90 ° till +90 °, med Τ = 4 pixlar och l = 8. Rektangeln (röd eller grön) visar det område av arkitektoniska distorsion präglas av radiologen, storlek 47,6 mm x 29,9 mm. (C), (D) Förstorad utsikt över regionens arkitektoniska distorsion.es/ftp_upload/50341/50341fig4highres.jpg "target =" _blank "> Klicka här för att visa en större bild.

Figur 5 NMS teknik:. Den långsträckt rektangel (i grått) betecknar närvaron av en CLS. Kvadraterna betecknar pixlar längs en riktning vinkelrät mot orienteringen av CLS. Det centrala grön fyrkant indikerar en kärna CLS pixel.

Figur 6. NMS och CLS selection resultat överlagras på den fulla mammografiska bilden i figur 2A. (A) NMS resultat. (B) CLS urvalresultat. Pixlarna är markerade i vitt motsvarar CLS pixlar som behålls för vidare analys. (C) NMS resultat och (D) CLS urvalsresultat i förstorade vyer för ROI markerad i figur 4A. Klicka här för att visa en större bild.

Figur 7. (A) Nod karta och (b) ROI upptäcktes för mammogram som visas i figur 2B. Den mammografi bilden är av storleken 1377 x 850 bildpunkter vid 200 nm per pixel. Storleken på området för arkitektur distorsion (röd rektangel) präglas av radiologen är 47,6 mm x 29,9 mm. Varje ROI är i storlek 128 x 128 bildpunkter, utom vid kanterna av imålder. Klicka här för att visa en större bild.

Figur 8 Exempel på (A) -. (C) tre TP ROI och (D) - (F) tre FP ROI. Varje ROI är i storlek 128 x 128 pixlar. Motsvarande nod värden visas. Klicka här för att visa en större bild.

Figur 9. (A) En 128 x 128 pixel TP ROI med arkitektoniska dis torsionsprov, pixelstorlek = 200 nm. Nod värde = 0,0299. (B) 2D Fourier log-kraftspektrum S (u, v) erhålls efter tillämpning av von Hann fönstret och noll stoppning ROI på 256 x 256 bildpunkter. (C) Ström spektrum i (f, Ν) utrymme. Den horisontella axeln motsvarar vinkeln Ν från 0 ° till 179 °, och den vertikala axeln motsvarar radiella frekvensen från 0,02 mm ^-1 till 2,5 mm ^-1. Det övre vänstra hörnet bildpunkt motsvarar frekvens på 0,02 mm ^-1 och vinkel på 0 °. En svart ram har tillämpats på spektrumet. (D) vinkelspridning av kraft, S (Ν). Entropi HF = 7,2224. (E) 1D effektspektrumet S (f) plottas på en log-log-skala såsom en funktion av den radiella frekvensen f. Den linjära passform visas också (röd linje), vilket resulterade i FD = 2,3037 för TP ROI.Arget = "_blank"> Klicka här för att visa en större bild.

Figur 10. (A) A 128 x 128 bildpunkter FP ROI, pixelstorlek = 200 nm. ROI orsakade en FP-nod på grund av överlappande och / eller korsande normala strukturer. Nod värde = 0,0349. (B) 2D Fourier log-kraftspektrum S (u, v) erhålls efter tillämpning av von Hann fönstret och noll stoppning ROI på 256 x 256 bildpunkter. (C) Ström spektrum i (f, Ν) utrymme. Den horisontella axeln motsvarar vinkeln Ν från 0 ° till 179 ° och den vertikala axeln motsvarar radiella frekvensen från 0,02 mm ^-1 till 2,50 mm ^-1. Det övre vänstra hörnet bildpunkt motsvarar frekvens på 0,02 mm ^-1 och vinkel på 0 °. En bl ack ram har tillämpats på spektrumet. (D) Vinkel spridning av makt, S (Ν). Entropi HF = 6,9444. (E) 1D effektspektrumet S (f) plottas på en log-log-skala såsom en funktion av den radiella frekvensen f. Den linjära passform visas också (röd linje), vilket resulterade i FD = 2,5223 för FP ROI. Klicka här för att visa en större bild .

Figur 11. FROC kurva som visar detekteringsprestanda för de föreslagna funktioner.

oad/50341/50341fig12highres.jpg "/>
Figur 12. Slutlig märkning av ROI för det ursprungliga mammogram som visas i figur 2. De misstänkta ROI upptäcks i ett tidigare skede av bearbetningen visas i Figur 7. De rektanglar som beskrivs i grönt representerar TP ROI i slutskedet av analysen, de återstående rektanglar som beskrivs i gult representerar ramprogrammen eller falsklarm. Rektangeln i rött indikerar det gäller arkitektoniska distorsion präglas av radiologen för den aktuella studien, var denna information inte används i leave-en patient-out procedur som tillämpas i förevarande fall och skulle inte vara tillgängliga i en prospektiv tillämpning av föreslagna metoderna.

Discussion

Vi har lagt fram en rad sofistikerade metoder för digital bildbehandling och mönsterigenkänning, även känd som maskininlärning och CAD, för detektion av arkitektoniska distorsion i tidigare mammografi av intervall-cancerfall. Metoderna är baserade på analys av de orienterade texturmönster som finns i mammografiska bilder. Våra metoder, däribland flera fler funktioner som föreslås i våra tillhörande arbeten, kan upptäcka tidiga tecken på bröstcancer 15 månader före tidpunkten för klinisk diagnos, i genomsnitt, med en känslighet på 80% på mindre än 4 fps / patienten ^{22 , 58.}

I en potentiell klinisk tillämpning, bör ROI märkta av våra rutiner ses som uppmaningar för noggrann inspektion av motsvarande områden av mammografi med radiologen. Det slutliga beslutet om närvaron eller frånvaron av bröstcancer är att göras av radiologen, som kan begära ytterligare avbildningsförfaranden ellerkliniska tester för att verifiera eller bekräfta misstankar väckts av mammografi och CAD.

Även om våra metoder har gett spännande resultat i föreliggande retrospektiv studie, är de ännu inte redo för klinisk användning. Metoderna tar ca 6 minuter per bild på en Dell Precision PWS 490 arbetsstation med Quad Intel Xeon-processorer som arbetar på 3,0 GHz, med 12 GB RAM-minne, beräkningskraven måste minskas med optimalt genomförande av datorkoden. Resultaten är jämförbara med eller något bättre än de som rapporterats i studier på arkitektur distorsion med kommersiellt tillgängliga CAD-system ^18,59,60, med den skillnaden att det nuvarande arbetet är baserat på tidigare mammografi. Antalet ramprogrammen måste minskas till ca en per patient med en associerad känslighet på minst 80%.

Begränsningar finns i vårt arbete när det gäller de typer av arkitektonisk distorsion upptäckts av de modeller som används. Metoderna måste tested med större datamängder. De parametrar som används i de metoder som har empiriskt fastställts i detta arbete, måste optimeras i förhållande till egenskaperna hos de mammografi i en given datamängd som skall analyseras. Vi förväntar oss att våra rutiner för att leda till bättre resultat med direkta digitala mammografi och brösttomosynthesisen bilder än de som erhållits med skannade skärm-filmbilder som i detta arbete.

Slutsats

Våra metoder visar löfte i upptäckten av arkitektonisk distorsion och bröstcancer i tidigt stadium. Ytterligare arbete krävs för att uppnå upptäckt av arkitektoniska distortion med hög känslighet och låg FP priser.