Summary

La detección de la distorsión de la arquitectura en las mamografías previas<em> Vía</em> Análisis de los patrones Orientadas

Published: August 30, 2013
doi:

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.

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 …

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 sól…

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 cap…

Disclosures

The authors have nothing to disclose.

Acknowledgements

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. 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).
  2. 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).
  3. 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).
  4. Homer, M. J. . Mammographic Interpretation: A Practical Approach. , (1997).
  5. 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).
  6. 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).
  7. 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).
  8. Rangayyan, R. M. . Biomedical Image Analysis. , (2005).
  9. 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).
  10. 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).
  11. Karssemeijer, N., te Brake, G. M. Detection of stellate distortions in mammograms. IEEE Transactions on Medical Imaging. 15 (5), 611-619 (1996).
  12. 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).
  13. Sampat, M. P., Whitman, G. J., Markey, M. K., Bovik, A. C., Fitzpatrick, J. M., Reinhardt, J. M. Evidence based detection of spiculated masses and architectural distortion. Proceedings of SPIE Medical Imaging 2005: Image Processing. 5747, 26-37 (2005).
  14. 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).
  15. 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).
  16. Matsubara, T., Hara, T., Fujita, H., Endo, T., Iwase, T. Automated detection method for mammographic spiculated architectural distortion based on surface analysis. 3 (1), 176-177 (2008).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. Gabor, D. Theory of communication. Journal of the Institute of Electrical Engineers. 93, 429-457 (1946).
  25. Rao, A. R. . A Taxonomy for Texture Description and Identification. , (1990).
  26. Otsu, N. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics. 9 (1), 62-66 (1979).
  27. Gonzalez, R. C., Woods, R. E. . Digital Image Processing. , (2002).
  28. Ayres, F. J., Rangayyan, R. M. Design and performance analysis of oriented feature detectors. Journal of Electronic Imaging. 16 (2), (2007).
  29. 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).
  30. 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).
  31. Ayres, F. J., Rangayyan, R. M., Hozman, J., Kneppo, P. Detection of architectural distortion in mammograms via analysis of phase portraits and curvilinear structures. Proceedings of EMBEC’05: 3rd European Medical & Biological Engineering Conference. 11, 1768-1773 (2005).
  32. 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).
  33. 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).
  34. 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).
  35. Ichikawa, T., Matsubara, T., Hara, T., Fujita, H., Endo, T., Iwase, T., Fitzpatrick, J. M., Sonka, M. . Automated detection method for architectural distortion areas on mammograms based on morphological processing and surface analysis. , 920-923 (2004).
  36. Sonka, M., Hlavac, V., Boyle, R. . Image Processing, Analysis and Machine Vision. , (1993).
  37. Canny, J. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 8 (6), 679-698 (1986).
  38. 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).
  39. Kirkpatrick, S., Gelatt, C. D., Vecchi, M. P. Optimization by simulated annealing. Science. 220 (4598), 671-680 (1983).
  40. Gershenfeld, N. . The Nature of Mathematical Modeling. , (1999).
  41. Mandelbrot, B. B. The Fractal Geometry of Nature. , (1983).
  42. Peitgen, H. -. O., Jürgens, H., Saupe, D. . Chaos and Fractals: New Frontiers of Science. , (2004).
  43. 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).
  44. 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).
  45. Bak, P., Tang, C., Wiesenfeld, K. Self-organized criticality: An explanation of 1/f noise. The American Physical Society. 59, 381-384 (1987).
  46. 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).
  47. Anguiano, E., Pancorbo, M. A., Aguilar, M. Fractal characterization by frequency analysis: I. Surfaces. Journal of Microscopy. 172, 223-232 (1993).
  48. Aguilar, M., Anguiano, E., Pancorbo, M. A. Fractal characterization by frequency analysis: II. A new method. Journal of Microscopy. 172, 233-238 (1993).
  49. Metz, C. E. ROC methodology in radiologic imaging. Investigative Radiology. 21, 720-733 (1986).
  50. Bornefalk, H., Hermansson, A. B. On the comparison of FROC curves in mammography CAD systems. Medical Physics. 32 (2), 412-417 (2005).
  51. 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).
  52. 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).
  53. Ramsey, F. L., Schafer, D. W. . The Statistical Sleuth: A Course in Methods of Data Analysis. , (1997).
  54. Wiley-Interscience, . , (2001).
  55. 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).
  56. 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).
  57. 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).
check_url/cn/50341?article_type=t

Play Video

Cite This Article
Rangayyan, R. M., Banik, S., Desautels, J. L. Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns. J. Vis. Exp. (78), e50341, doi:10.3791/50341 (2013).

View Video