Summary

Detektion av Architectural Distortion i Prior Mammografi<em> Via</em> Analys av Oriented Mönster

Published: August 30, 2013
doi:

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 algori…

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…

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 …

Divulgations

The authors have nothing to disclose.

Acknowledgements

Detta arbete har finansierats med bidrag från Collaborative Research and Training Experience Program (SKAPA) och en Discovery Grant från naturvetenskap och teknik Forskningsrådet (NSERC) i Kanada.

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