JoVE Journal > Medicine
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
References
Automatic Translation
Please note that all translations are automatically generated. Click here for the English version.
Medicine

Önceki mamogram Mimari Bozulma Algılama<em> Via</emOdaklı Patterns> Analiz

Published: August 30, 2013
doi:
10.3791/50341
, ,
1Department of Electrical and Computer Engineering, Schulich School of Engineering,University of Calgary , 2Department of Radiology,University of Calgary

Summary

Önceden mamogram mimari bozulma saptanması için yöntemler göstermektedir. Odaklı yapılar doku kalıpları ışırken siteleri tespit etmek için Gabor filtreleri ve faz portreleri kullanılarak analiz edilmektedir. Her site özelliği ve spiculating desenleri temsil etmek için önlemler kullanılarak sınıflandırılmıştır. Yöntemler Meme kanserinin saptanmasında yardımcı olmalıdır.

Abstract

Biz, mamografi göğüs doku desenleri yönlenmesine analizine göre aralık-kanser vakalarının önce mamogram mimari bozulma saptanması için yöntemler göstermektedir. Biz mimari bozulma kitlelerin veya tümörlerin oluşumu önce mamografik görüntülerde meme dokusu desen, normal yönünü değiştirir varsayımında. Bizim yöntemlerinin ilk adımlarda, belirli bir mamografide odaklı yapılar doku desen yayılan veya kesişen düğüm benzeri siteleri tespit için Gabor filtreleri ve faz portreleri kullanılarak analiz edilir. Her bir tespit site daha sonra düğüm değeri, fraktal boyut ve özellikle mimari bozulma ile ilişkilidir spiculating desenleri temsil etmek için tasarlanmış açısal dağılımın bir ölçüsü ile karakterize edilir.

Bizim yöntemleri için geliştirilen özelliklerini kullanarak 56 aralık kanser vakalarının 106 öncesinde mamogram ve 13 normal olgunun 52 mamogram bir veritabanı ile test edildimimari bozulma, kuadratik diskriminant analizi ile desen sınıflandırma ve terk-tek-hasta dışarı prosedüre doğrulama karakterizasyonu. Karakteristik analizi yapan serbest tepki alıcısının sonuçlarına göre, bizim yöntemler yaklaşık% 80 oranında bir duyarlılık ile, meme kanserinin klinik tanı öncesi (ortalama) 15 ay alınan, önceki mamogram mimari distorsiyon algılamak yeteneği göstermiştir hasta başına beş yanlış pozitif.

Introduction

Meme kanseri kadınları etkileyen önemli bir hastalıktır ve kadınlarda 1,2 arasında kanser bağlı ölümlerin ikinci önde gelen nedenidir. Hayatta kalma şansını ve göğüs kanserinin erken evrelerinde etkili bir tedavi yoluyla etkilenen hastaların prognozunun geliştirmek için, hastalık mümkün olduğu kadar erken tespit edilmesi gerekmektedir. Meme kanseri vakalarının retrospektif analizinde, anormallikler ince işaretler daha önceden edinilmiş tarama mamogram 3,4 üzerinde gözlenmiştir. Mimari distorsiyon 5,6 tespit etmek zordur meme kanserinin erken aşamalarında muhtemelen böyle bir lokalize mamografik işaretidir. Ilişkili kalıpları belli belirsiz kesin bir kitle görünür ile memenin normal yapısının bozulması olarak tarif edilmektedir. Mimari distorsiyon bir göğüs kitle veya tümör oluşumunun ilk aşamalarında görünebilir. Biz tarama mamografi önce meme kanseri c tespiti için elde edilen varsayımındaould özel olarak, mimari bozulma göğüs kanserinin erken aşamalarının ince işaretler içerir.

Şekil 1a ekran tespit kanseri davanın bir önceki mamografik görüntü gösterir. Bir radyolog (JELD) tarafından tanımlanan anormallik bölge kırmızı bir dikdörtgen ile özetlenmiştir. 24 ay önce mamografi Şekil 1b de gösterildiği gibi tespit mamogram önce alınmıştır. Önce mamografi taramasının orijinal örneğin kanser belirtileri ücretsiz olarak ilan edilmişti. Geriye dönük analizde ve algılama mamogram tespit kanser site ile ilgili şüpheli bir bölge ile karşılaştırıldığında radyoloji uzmanı tarafından etiketlenmiştir ve önceki mamogram kırmızı gösterilmiştir. Şüpheli bölge spiküllerin dahil mimari bozulma belirtileri içerir.

Bilgisayar destekli tanı (CAD) teknikleri ve sistemleri Brea saptanmasında artmış duyarlılık elde etmek için potansiyel sunuyorst kanser 2,7-9. Ancak, bu gibi kitle ve kalsifikasyon olarak meme kanseri için diğer işaretler, algılama literatürde mevcut yayın sayısı ile karşılaştırıldığında, çalışmalar sadece küçük sayıda yokluğunda mimari bozulma saptanması bildirilmiştir merkezi kitle 10-17. Ticari olarak temin edilebilen CAD ​​sistemlerinin yapısal distorsiyon 18 saptanmasında kötü gerçekleştirmek için bulunmuştur. 3,4,19-22 erken aşamalarında meme hastalıklarının tespiti ve tedavisi için stratejiler geliştirmede yardımcı ve iyileşmeye yol açabilecek ekran tespit veya interval kanser vakalarının önceki mamogram mimari bozulma saptanması üzerine çalışmalar 23 hasta için prognoz.

Deney için Görüntüler hazırlanması

Deneyler 56 Bireylerin 106 önceki mammografi dahil 158 mamografik görüntüler tanısı ile yapılmıştırmeme kanseri ve 13 normal bireylerde 52 görüntüleri ile. Çalışma için etik onay Conjoint Sağlık Araştırma Etik Kurulu, Tıbbi Biyoetik Ofisi, Calgary Üniversitesi ve Calgary Bölgesel Sağlık Otoritesi elde edilmiştir. Meme Kanseri 21,24,25 Erken Saptanması için Alberta Programı: görüntüleri Ekran Testi elde edildi.

Önce tarama programının dışında kanser tanısı tarama programı için son planlanan ziyarette edinilen Mamogramlar interval kanser vakalarının öncesinde mamogram olarak etiketlenmiş edildi. Gelen tanı mamografi mevcut değildi. 106 öncesinde mamogram tüm ama iki tarama programına toplama ve analiz zamanda meme kanseri herhangi bir işaretin serbest olduğu beyan edilmişti; diğer iki mamogram karşılık bireylerin biyopsi için sevk edilmişti. Kanser tanı ve öncesinde mamogram arasındaki zaman aralığı değişmektedir 1.5 ay15 ay ve 7 aylık standart sapmanın ortalama 24.5 ay s. Veritabanında bulunan interval kanser vakalarının önceki mamogram hiçbir şüpheli parçalar tespit edilebileceği altı görüntüler dışında, mevcut çalışmaya dahil edilmiştir.

Ekran film mamografi 50 um ve Lumiscan 85 lazer tarayıcı (Lumisys, Sunnyvale, CA) kullanılarak piksel başına 12 bit gri ölçekli çözünürlük mekansal çözünürlükte dijitalize edildi. Mamografi (JELD) uzmanlaşmış bir uzman radyolog interval kanser vakalarının 106 önceki mamogram tüm inceledim ve sonraki görüntüleme veya biyopsi mevcut raporlara dayanarak dikdörtgen kutuları ile mimari bozulma şüphelenilen bölgeleri işaretlenmiş, ya da mamogram ayrıntılı muayene . Bu çalışmada kullanılan veri kümesi içinde 106 önce mamografik görüntülerde, 38 imgeleri mimari bozulma var, ve kalan 68 görüntüler hiçbir açıkça şüpheli veya EV içerenmimari bozulma ident. Radyolog tarafından çizilen dikdörtgen kutusu tarafından tanımlanan her bir önceki mamogram mimari bozulma tek bir site içerir. Ortalama genişlik, yükseklik ve radyolog tarafından işaretlenmiş görüntülerin 106 şüpheli parçaların alanı sırasıyla standart 11,8 mm sapma, 11.6 mm ve 1073,9 mm 2, ile, 56 mm, 39 mm ve 2.274 mm 2 'dir.

Protocol

1.. Metodoloji Genel Bakış Bizim prosedürde, mamogram mimari bozulma potansiyel siteleri otomatik olarak Gabor bir bankanın uygulaması ile odaklı dokusal desen analizi ile tespit edilmiştir 26 filtreler ve faz modelleme 11,27 portreler. Tespit edilen siteleri daha sonra mimari bozulma, eğitimli bir sınıflandırıcı gelişimini ve örüntü tanıma veya sınıflandırma için bir algoritma uygulama karakterize özellikleri veya önlemlerin ekstraksiyon …

Representative Results

Üç özellik, her özellik kendi başına kullanılan, yani düğüm değeri, FD, ve H, F, 0.61 sağlanan AUC değerleri, 0.59 ve 0.64, sırasıyla. Üç özellik kombine kullanımı AUC = 0.70 ile gelişmiş performans sağladı. Üç özelliklerin kombinasyonu ile elde edilen Froc eğrisi 7.5 FP / hasta 5.6 FP / hasta ve% 89 ile% 80 arasında bir duyarlılık gösterir, Şekil 11 'de gösterilmiştir. Sadece düğüm değerinin kullanımı 13.8 FP / hasta 8.1 FP / hasta ve% 89…

Discussion

Biz de interval kanser vakalarının önceki mamogram mimari bozulma tespiti için makine öğrenme ve CAD olarak bilinen dijital görüntü işleme ve örüntü tanıma karmaşık teknikler, bir dizi sundu. Yöntemler mamografik görüntülerde mevcut odaklı dokusal desen analizine dayanmaktadır. Bizim ile ilgili çalışmalarında önerilen çok daha fazla özelliklere dahil Bizim yöntemleri, en az 4 FP / hasta 22,% 80 oranında bir duyarlılık ile, ortalama, 15 ay öncesinde klinik tanının zamanında…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Bu çalışma İşbirlikçi Araştırma ve Eğitim Deneyimi Programı (CREATE) ve Discovery Grant Doğa Bilimleri gelen ve Kanada'nın Mühendislik Araştırma Konseyi (NSERC) hibe tarafından desteklenmiştir.

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).

Tags

Architectural DistortionMammogramsOriented PatternsGabor FiltersPhase PortraitsNode ValueFractal DimensionAngular DispersionQuadratic Discriminant AnalysisFree-response Receiver Operating Characteristic
check_url/50341?article_type=t

Play Video
PDF
DOI
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).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image