Summary

Rilevamento di distorsione architettonica in mammografia precedenti<em> Via</em> Analisi dei modelli Oriented

Published: August 30, 2013
doi:

Summary

Dimostriamo metodi per l'individuazione di distorsione architettonica mammografie precedenti. Strutture orientate vengono analizzati utilizzando filtri di Gabor e ritratti di fase per individuare i siti di irradiamento modelli di tessuto. Ogni sito è caratterizzato e classificata utilizzando misure per rappresentare modelli spiculating. I metodi dovrebbero contribuire all'individuazione di cancro al seno.

Abstract

Dimostriamo metodi per l'individuazione di distorsione architettonica mammografie precedenti di casi di intervallo-cancro basati su analisi dell'orientamento dei modelli di tessuto mammario in mammografie. Ipotizziamo che distorsione architetturale modifica il normale orientamento di modelli tessuto mammario in immagini mammografiche prima della formazione di masse o tumori. Nelle fasi iniziali di nostri metodi, le strutture orientate in una determinata mammografia vengono analizzati utilizzando filtri di Gabor e ritratti di fase per individuare i siti nodo-come radiante o intersecano modelli di tessuto. Ogni sito rilevato è quindi caratterizzato utilizzando il valore del nodo, dimensione frattale, e una misura della dispersione angolare specificamente progettato per rappresentare modelli spiculating associati con distorsione architettonica.

I nostri metodi sono stati testati con un database di 106 mammografie precedenti di 56 casi l'intervallo di cancro e 52 mammografie di 13 casi normali, utilizzando le funzionalità sviluppate per l'caratterizzazione di distorsione architettonica, modelli di classificazione mediante analisi discriminante quadratica, e la convalida della procedura di leave-one-out paziente. Secondo i risultati di ricevitore senza risposta operante analisi caratteristica, i nostri metodi hanno dimostrato la capacità di rilevare la distorsione di architettura in mammografie precedenti, presa 15 mesi (in media) prima della diagnosi clinica di cancro al seno, con una sensibilità del 80% circa cinque falsi positivi per paziente.

Introduction

Il cancro al seno è una delle malattie che colpisce le donne ed è la seconda causa di cancro legati morte tra le donne 1,2. Per migliorare la possibilità di sopravvivenza e la prognosi dei pazienti affetti attraverso un trattamento efficace nei primi stadi di cancro al seno, la malattia deve essere rilevato il più presto possibile. In un'analisi retrospettiva dei casi di cancro al seno, segni sottili di anomalie sono state osservate in precedenza acquisiti mammografie di screening 3,4. Distorsione architettonica è uno di questi localizzato segno mammografico di possibilmente prime fasi del cancro al seno che è difficile da rilevare 5,6. I modelli associati sono vagamente descritti come distorsione della normale architettura del seno con non definita massa visibile. Distorsione architetturale potrebbe apparire nelle fasi iniziali della formazione di una massa seno o tumore. Ipotizziamo che mammografie di screening ottenuti prima diagnosi del tumore al seno cOuld contengono segni sottili di prime fasi del cancro al seno, in particolare, la distorsione architettonica.

Figura 1a mostra una prima immagine mammografica di un caso di cancro screen-rilevato. La regione di anomalia identificata da un radiologo (JELD) è contornata da un rettangolo rosso. La mammografia preventiva è stata presa 24 mesi prima della mammografia rilevamento mostrato in Figura 1b. La mammografia preventiva era stata dichiarata per essere privo di segni di cancro al l'istanza originale di screening. In un'analisi retrospettiva e nel confronto con la mammografia di rilevamento, una regione sospetto relativo al sito di cancro rilevati è stato etichettato dal radiologo, ed è delineato in rosso sulla mammografia preventiva. La regione sospetto contiene segni di distorsione architettonica, tra cui spicole.

Tecniche di computer-aided diagnosi (CAD) e sistemi offrono il potenziale per raggiungere una maggiore sensibilità nella rilevazione di breacancro st 2,7-9. Tuttavia, in confronto con il numero di pubblicazioni esistenti in letteratura sulla rilevazione di altri segni di cancro al seno, come masse e calcificazioni, solo un piccolo numero di studi sono stati riportati sul rilevamento di distorsione architetturale in assenza di un massa centrale 10-17. Sistemi CAD disponibili in commercio sono stati trovati per scarso rendimento nella rilevazione di distorsione architettonica 18. Studi sulla rilevazione di distorsione architettonica mammografie precedenti di casi di schermo-rilevati o intervallo-cancro 3,4,19-22 potrebbe aiutare nello sviluppo di strategie per l'individuazione e il trattamento delle malattie del seno nelle fasi iniziali, e portare al miglioramento della prognosi per il paziente 23.

Preparazione delle immagini per l'esperimento

Gli esperimenti sono stati condotti con 158 immagini mammografiche, tra cui 106 mammografie precedenti di 56 individui diagnosticaticon cancro al seno e 52 immagini di 13 individui normali. Approvazione etica per lo studio è stato ottenuto da Congiunto Health Research Ethics Consiglio, Ufficio di Medicina Bioetica, Università di Calgary, e l'Autorità sanitaria regionale Calgary. Le immagini sono state ottenute da Screen Test: Alberta Programma per la diagnosi precoce del cancro della mammella 21,24,25.

Mammografie acquisite in ultima visita programmata al programma di screening prima della diagnosi di cancro al di fuori del programma di screening sono stati etichettati come mammografie precedenti di casi di intervallo-cancro. I corrispondenti mammografie diagnostiche non erano disponibili. Tutti tranne due dei 106 mammografie precedenti erano stati dichiarati privi di qualsiasi segno di cancro al seno al momento della loro acquisizione e analisi nel programma di screening, gli individui corrispondenti agli altri due mammografie erano stati menzionati per la biopsia. L'intervallo di tempo tra la diagnosi di cancro e mammografie precedenti variava da 1,5 mesis a 24,5 mesi, con una media di 15 mesi e la deviazione standard di 7 mesi. Tutte le mammografie precedenti di casi di intervallo-cancro disponibili nel database sono stati inclusi nel presente studio, ad eccezione di sei immagini in cui parti sospette potrebbero essere identificati.

Le mammografie schermo-pellicola sono stati digitalizzati alla risoluzione spaziale di 50 micron e una risoluzione in scala di grigi a 12 bit per pixel utilizzando lo scanner laser Lumiscan 85 (Lumisys, Sunnyvale, CA). Un radiologo esperto specializzato in mammografia (JELD) ha esaminato tutti i 106 mammografie precedenti di casi di intervallo-cancro e segnò le regioni sospetti di distorsione architettonica con scatole rettangolari sulla base delle relazioni disponibili dalla successiva rappresentazione o la biopsia, o mediante ispezione dettagliata delle mammografie . Dei 106 precedenti immagini mammografiche nel dataset utilizzato nel presente studio, 38 immagini presentano una distorsione architettonica visibile, e le restanti 68 immagini contengono discutibile o non chiaramente evident distorsione architettonica. Ogni mammografia preventiva contiene un unico sito di distorsione architettonica così come individuate dalla scatola rettangolare disegnata dal radiologo. La larghezza media, l'altezza, e la zona delle 106 parti sospette di immagini contrassegnate dal radiologo sono 56 mm, 39 mm, e 2.274 millimetri 2, con deviazione standard di 11,8 millimetri, 11,6 millimetri, e 1073,9 millimetri 2, rispettivamente.

Protocol

1. Panoramica di Metodologia Nella nostra procedura, potenziali siti di distorsione architettonica mammografie vengono rilevati automaticamente attraverso l'analisi dei modelli di tessitura orientata con l'applicazione di una banca di Gabor filtri 26 e modellazione della fase ritratti 11,27. I siti rilevati vengono poi elaborati attraverso le fasi di estrazione di caratteristiche o misure per caratterizzare la distorsione architettonica, lo sviluppo di un…

Representative Results

Le tre caratteristiche, vale a dire, il valore del nodo, FD, e H F, i valori di AUC forniti di 0.61, 0.59 e 0.64, rispettivamente, quando ogni funzione è stato utilizzato da solo. L'uso combinato delle tre caratteristiche fornito prestazioni migliorate con AUC = 0,70. La curva FROC ottenuto con la combinazione delle tre caratteristiche è illustrato nella Figura 11, che indica una sensibilità del 80% a 5,6 FPS / paziente e 89% a 7,5 FPS / paziente. L'utilizzo di solo il val…

Discussion

Abbiamo presentato una serie di sofisticate tecniche di elaborazione di immagini digitali e pattern recognition, noto anche come apprendimento automatico e CAD, per il rilevamento di distorsione architetturale in mammografie precedenti di casi intervallo-cancro. I metodi si basano sull'analisi dei pattern tessiturali orientati presenti in immagini mammografiche. I nostri metodi, tra cui diverse altre funzionalità proposte nelle nostre opere connesse, sono in grado di rilevare i segni precoci di tumore al seno 15 me…

Divulgations

The authors have nothing to disclose.

Acknowledgements

Questo lavoro è stato sostenuto da sovvenzioni dal programma di collaborazione di ricerca e formazione Experience (CREATE) e Discovery Grant scienze naturali e ingegneria Research Council (NSERC) del Canada.

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/fr/50341?article_type=t

Play Video

Citer Cet 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