Summary

Detectie van Architectural Distortion in Prior mammogrammen<em> Via</em> Analyse van Oriented Patterns

Published: August 30, 2013
doi:

Summary

We tonen methoden voor de detectie van architecturale vervorming in voorgaande mammogrammen. Georiënteerde structuren worden geanalyseerd met behulp van Gabor filters en faseportretten naar sites van uitstralende weefsel patronen te detecteren. Elke site wordt gekenmerkt en geclassificeerd met behulp van maatregelen om spiculating patronen vertegenwoordigen. De methoden moeten bij het opsporen van borstkanker.

Abstract

We tonen werkwijzen voor de detectie van architecturale verstoring in voorgaande mammogrammen interval-kankergevallen gebaseerd op een analyse van de oriëntatie van borstweefsel patronen in mammogrammen. Onze hypothese is dat architectonische vervorming wijzigt de normale richting van het borstweefsel patronen in mammografische beelden voordat de vorming van massa's of tumoren. In de eerste stappen van onze werkwijzen worden de georiënteerde structuren in een bepaalde mammogram geanalyseerd met Gabor filters en faseportretten naar knooppunt-achtige plaatsen van uitstralend of weefsel snijdende patronen detecteren. Elke gedetecteerde locatie wordt vervolgens gekarakteriseerd met behulp van het knooppunt waarde fractale dimensie en meting van hoekige spreiding specifiek ontworpen spiculating patronen geassocieerd met architecturale vervorming vertegenwoordigen.

Onze methoden werden getest met een database van 106 voorafgaande mammogrammen van 56 interval-gevallen van kanker en 52 mammogrammen van 13 normale gevallen gebruik van de functies ontwikkeld voor dekarakterisering van architecturale vervorming, patroonherkenning via kwadratische discriminantanalyse, en validatie met de leave-one-patiënt out procedure. Volgens de resultaten van vrije respons receiver operating characteristic analyse hebben onze werkwijze de mogelijkheid om architecturale verstoring detecteren voorafgaande mammogrammen aangetoond voor klinische diagnose van borstkanker 15 maanden (op het gemiddelde) genomen, met een gevoeligheid van 80% bij ongeveer vijf valse positieven per patiënt.

Introduction

Borstkanker is een belangrijke ziekte die vrouwen en is de tweede belangrijkste oorzaak van kanker-gerelateerde sterfte onder vrouwen 1,2. Om de overlevingskans en de prognose van de getroffen patiënten met effectieve behandeling in een vroeg stadium van borstkanker te verbeteren, de ziekte moet zo snel mogelijk worden gedetecteerd. In een retrospectieve analyse van de gevallen van borstkanker, zijn subtiele tekenen van afwijkingen waargenomen op eerder verworven onderzoeksmammogrammen 3,4. Architectural vervorming zo'n gelokaliseerde mammografische teken van mogelijk vroege stadia van borstkanker die moeilijk te detecteren 5,6. De bijbehorende patronen zijn vaag omschreven als een verstoring van de normale architectuur van de borst met geen definitieve massa zichtbaar. Architecturale verstoring kan optreden in de beginfase van de vorming van een borst massa of tumor. Onze hypothese is dat onderzoeksmammogrammen verkregen voorafgaand aan de opsporing van borstkanker could bevatten subtiele symptomen van de vroege stadia van borstkanker, in het bijzonder architecturale vervorming.

Figuur 1a toont een bekende mammografische beeld van een geval van door screening opgespoorde kanker. De regio van stoornissen geïdentificeerd door een radioloog (JELD) wordt geschetst met een rode rechthoek. De voorafgaande mammogram werd genomen 24 maanden voor de detectie mammogram in figuur 1b. De voorafgaande mammogram was vrij verklaard zijn van tekenen van kanker te zijn op het oorspronkelijke exemplaar van de screening. In retrospectieve analyse en vergeleken met de detectie mammogram, een verdacht gebied tot de plaats van kanker ontdekt werd gelabeld door de radioloog, en in rood van de voorafgaande mammogram. De verdachte gebied bevat tekenen van architecturale vervorming, met inbegrip van spicules.

Computerondersteunde diagnose (CAD) technieken en systemen bieden mogelijkheden voor het bereiken van verhoogde gevoeligheid bij de detectie van Breast kanker 2,7-9. In vergelijking met het aantal publicaties die bestaan ​​in de literatuur op de detectie van andere tekenen van borstkanker, zoals massa en verkalkingen, slechts een klein aantal studies gerapporteerd op de detectie van architecturale verstoring in afwezigheid van een centrale massa van 10-17. Commercieel verkrijgbare CAD systemen bleken slecht presteren bij de detectie van architecturale vervorming 18. Studies over de detectie van architecturale vervorming in voorgaande mammogrammen van screen-detected of interval-kankergevallen 3,4,19-22 kunnen helpen bij het ​​ontwikkelen van strategieën voor de opsporing en behandeling van borst-ziekten in een vroeg stadium, en leiden tot verbetering van de prognose voor de patiënt 23.

Voorbereiding van Beelden voor de Experiment

Experimenten werden uitgevoerd met 158 ​​mammografische beelden waarvan 106 vóór mammogrammen van 56 mensen gediagnosticeerdmet borstkanker en 52 beelden van 13 normale individuen. Ethiek goedkeuring voor de studie werd verkregen van de Vereend Health Research Ethics Board, Office of Medical Bio-ethiek, Universiteit van Calgary en de Calgary Regional Health Authority. De beelden zijn afkomstig van Screen Test: Alberta programma voor de vroegtijdige opsporing van borstkanker 21,24,25.

Mammogrammen verworven in de laatste geplande bezoek aan het bevolkingsonderzoek voorafgaand aan de diagnose van kanker buiten het bevolkingsonderzoek werden bestempeld als voorafgaand mammogrammen van interval-kankergevallen. De bijbehorende diagnostische mammogrammen niet beschikbaar waren. Alle, maar twee van de 106 voorafgaande mammogrammen was vrij verklaard zijn van enig teken van borstkanker te zijn op het tijdstip van verwerving en analyse aan het bevolkingsonderzoek, de individuen die overeenkomt met de andere twee mammogrammen verwezen voor biopsie. Het tijdsinterval tussen de diagnose van kanker en voorafgaande mammogrammen varieerde van 1,5 maands tot 24,5 maanden, met een gemiddelde van 15 maanden en de standaardafwijking van 7 maanden. Alle voorgaande mammogrammen interval-kankergevallen in de database zijn opgenomen in deze studie, behalve zes beelden waarin geen verdacht onderdelen kan worden geïdentificeerd.

Het scherm-film mammogrammen werden gedigitaliseerd op de ruimtelijke resolutie van 50 micrometer en grijs-schaal resolutie van 12 bits per pixel met de Lumiscan 85 laserscanner (Lumisys, Sunnyvale, CA). Een deskundige radioloog gespecialiseerd in mammografie (JELD) beoordeeld alle 106 voorgaande mammogrammen van interval-gevallen van kanker en markeerde de verdachte gebieden van architecturale vervorming met rechthoekige dozen op basis van de beschikbare rapporten op latere beeldvorming of biopsie, of met een grondige controle van de mammogrammen . Van de 106 voorafgaande mammografische beelden in de dataset die in de onderhavige studie, 38 beelden hebben zichtbare architecturale vervorming, en de resterende 68 beelden bevatten twijfelachtige of geen duidelijk evident architecturale vervorming. Elke voorgaande mammogram bevat een enkele site van architecturale vervorming zoals aangegeven door de rechthoekige doos getrokken door de radioloog. De gemiddelde breedte, lengte en oppervlakte van de 106 verdachte delen van beelden gekenmerkt door de radioloog zijn 56 mm, 39 mm en 2274 mm 2, met standaarddeviatie van 11,8 mm, 11,6 mm en 1073,9 mm 2 resp.

Protocol

1. Overzicht van Methodologie In onze procedure, zijn mogelijke plaatsen van architecturale vervorming in mammogrammen automatisch gedetecteerd via analyse van georiënteerde textuur patronen met de toepassing van een bank van Gabor filters 26 en modellering van fase portretten 11,27. De gedetecteerde sites worden vervolgens verwerkt door de stappen van de winning van functies of maatregelen om architecturale vervorming, de ontwikkeling van een getrainde classifi…

Representative Results

De drie functies, namelijk nodewaarde, FD en H F, mits AUC-waarden van 0,61, 0,59 en 0,64, respectievelijk, wanneer elke functie is als monotherapie. Gecombineerd gebruik van de drie functies die verbeterde prestaties met AUC = 0.70. De Froc kromme verkregen met de combinatie van de drie kenmerken wordt getoond in figuur 11, die een gevoeligheid van 80% op 5.6 KP / patiënt en 89% bij 7,5 KP / patiënt aangeeft. Gebruik van alleen het knooppunt waarde die een gevoeligheid van 80% bij…

Discussion

We hebben presenteerde een reeks van geavanceerde technieken van digitale beeldverwerking en patroonherkenning, ook wel bekend als machine learning en CAD, voor de detectie van architecturale vervorming in voorgaande mammogrammen van interval-kankergevallen. De methoden zijn gebaseerd op een analyse van de georiënteerde textuur patronen aanwezig in de mammografische afbeeldingen toe. Onze werkwijze, waaronder diverse meer functies in onze aanverwante werkzaamheden voorgesteld, kunnen ontdekken vroege tekenen van borstk…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dit werk werd ondersteund door subsidies van de Collaborative Research and Training Experience Programme (CREATE) en een Discovery Grant van de Natural Sciences and Engineering Research Council (NSERC) van 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/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