Summary

Détection de distorsion architecturale dans mammographies antérieures<em> Par</em> Analyse des modèles orientés

Published: August 30, 2013
doi:

Summary

Nous démontrons méthodes pour la détection de distorsion architecturale dans les mammographies antérieures. Structures orientées sont analysés en utilisant des filtres de Gabor et des portraits de phase pour détecter les sites de motifs rayonnants de tissus. Chaque site est caractérisé et classé à l'aide de mesures pour représenter les modèles de spiculating. Les méthodes devraient aider à la détection du cancer du sein.

Abstract

Nous démontrons méthodes pour la détection de distorsion architecturale dans les mammographies antérieures de cas intervalle cancéreux fondés sur l'analyse de l'orientation des motifs des tissus mammaires à la mammographie. Nous émettons l'hypothèse que la distorsion architecturale modifie l'orientation normale de motifs de tissus mammaires en images mammographiques avant la formation de masses ou des tumeurs. Dans les premières étapes de nos méthodes, les structures orientées dans une mammographie donné sont analysés en utilisant les filtres de Gabor et des portraits de phase pour détecter les sites de noeud-comme de rayonnement ou intersection motifs de tissus. Chaque site est ensuite détectée, caractérisé en utilisant la valeur de noeud, la dimension fractale, et une mesure de la dispersion angulaire spécifiquement conçu pour représenter les motifs de spiculating associés à une distorsion architecturale.

Nos méthodes ont été testées avec une base de données de 106 mammographies antérieures de 56 cas intervalle-cancer et 52 mammographies de 13 cas normales en utilisant les fonctionnalités développées pour laCaractérisation de la distorsion d'architecture, de classification de formes par l'intermédiaire d'une analyse discriminante quadratique, et la validation de la procédure leave-one-out du patient. Selon les résultats de libre-réponse récepteur fonctionnant analyse caractéristique, nos méthodes ont démontré la capacité de détecter une distorsion architecturale dans les mammographies antérieures, pris 15 mois (en moyenne) avant le diagnostic clinique du cancer du sein, avec une sensibilité de 80% à environ cinq faux positifs par patient.

Introduction

Le cancer du sein est une maladie grave qui touche les femmes et est la deuxième cause de cancer lié décès chez les femmes 1,2. Afin d'améliorer les chances de survie et le pronostic des patients affectés par un traitement efficace à des stades précoces du cancer du sein, la maladie doit être détectée le plus rapidement possible. Dans l'analyse rétrospective des cas de cancer du sein, des signes subtils d'anomalies ont été observées sur les mammographies de dépistage précédemment acquis 3,4. Distorsion architecturale est un tel signe mammographique localisée éventuellement stades précoces du cancer du sein qui est difficile à détecter 5,6. Les modèles associés sont vaguement décrits comme une distorsion de l'architecture normale du sein sans visible masse définie. Distorsion architecturale pourrait apparaître dans les premières étapes de la formation d'une masse au sein ou une tumeur. Nous émettons l'hypothèse que les mammographies de dépistage obtenus avant la détection du cancer du sein could contient signes subtils de stades précoces du cancer du sein, en particulier, distorsion architecturale.

La figure 1a montre une image avant mammographique d'un cas de cancer de l'écran détecté. La région de l'anomalie identifiée par un radiologue (JELD) est décrit par un rectangle rouge. La mammographie a été prise avant 24 mois avant la mammographie de détection de la figure 1b. La mammographie avant avait été déclaré exempt de signes d'un cancer à l'instance d'origine de dépistage. Dans une analyse rétrospective et en comparaison avec la mammographie de dépistage, une région suspecte liée au site de cancer détecté a été marqué par le radiologue, et est indiquée en rouge sur la mammographie avant. La région suspecte contient des signes de distorsion architecturale, y compris les spicules.

diagnostic (CAD) des techniques et des systèmes assistés par ordinateur offrent le potentiel pour atteindre une sensibilité accrue dans la détection de Breast cancer 2,7-9. Cependant, en comparaison avec le nombre de publications qui existent dans la littérature sur la détection d'autres signes de cancer du sein, tels que les masses et les calcifications, seul un petit nombre d'études ont été rapportées sur la détection de distorsion architecturale en l'absence d'un masse centrale 10-17. Les systèmes de CAO disponibles dans le commerce ont été trouvés à des résultats médiocres pour la détection de distorsion d'architecture 18. Les études sur la détection de distorsion architecturale dans les mammographies antérieures de cas dépistés ou intervalle-cancer 3,4,19-22 pourrait aider à élaborer des stratégies pour la détection et le traitement des maladies du sein à un stade précoce, et conduire à l'amélioration de la pronostic pour le patient 23.

Préparation des images pour l'expérience

Des expériences ont été menées avec 158 images mammographiques dont 106 mammographies antérieures de 56 personnes diagnostiquéesun cancer du sein et 52 images de 13 individus normaux. L'approbation éthique pour l'étude a été obtenue du Conseil Conjoint santé éthique de la recherche, Bureau de bioéthique médicale, Université de Calgary, et la Calgary Regional Health Authority. Les images ont été obtenues à partir de Screen Test: Programme de l'Alberta pour la détection précoce du cancer du sein 21,24,25.

Les mammographies acquis dans la dernière visite prévue au programme de dépistage avant le diagnostic de cancer en dehors du programme de dépistage ont été étiquetés comme des mammographies antérieures de cas intervalle-cancer. Les mammographies diagnostiques correspondants n'étaient pas disponibles. Tous, sauf deux des 106 mammographies antérieures avaient été déclarés exempts de tout signe de cancer du sein au moment de leur acquisition et d'analyse dans le programme de dépistage, les personnes correspondant aux deux autres mammographies ont été renvoyés pour la biopsie. L'intervalle de temps entre le diagnostic du cancer et des mammographies antérieures variait de 1,5 moiss à 24,5 mois, avec une moyenne de 15 mois et l'écart type de 7 mois. Tous les mammographies antérieures de cas intervalle cancer disponibles dans la base de données ont été inclus dans la présente étude, à l'exception de six images dans lesquelles aucune pièce suspects ont pu être identifiés.

Les mammographies film-écran ont été numérisées à la résolution spatiale de 50 um et la résolution d'échelle de gris 12 bits par pixel en utilisant le Lumiscan 85 scanner laser (Lumisys, Sunnyvale, CA). Un radiologue expert spécialisé en mammographie (JELD) a examiné toutes les 106 mammographies antérieures de cas intervalle cancer et a marqué les régions suspectées de distorsion architecturale avec des boîtes rectangulaires sur la base des rapports disponibles sur l'imagerie ou une biopsie ultérieure, ou par inspection détaillée des mammographies . Sur les 106 images mammographiques antérieurs dans la base de données utilisée dans la présente étude, 38 images ont distorsion architecturale visible, et les 68 images restantes contiennent ev discutable ou pas clairementident distorsion architecturale. Chaque mammographie avant contient un seul site de distorsion architecturale identifiés par la boîte rectangulaire dessinée par le radiologue. La largeur moyenne, la hauteur et la zone des 106 parties suspectes d'images marquées par le radiologue sont 56 mm, 39 mm et 2274 mm 2, avec un écart type de 11,8 mm, 11,6 mm et 1073,9 mm 2, respectivement.

Protocol

Une. Aperçu de la méthodologie Dans notre procédure, les sites potentiels de distorsion architecturale dans les mammographies sont automatiquement détectés par l'analyse de modèles de texture orientées à la demande d'une banque de filtres de Gabor 26 et de la modélisation de la phase de portraits de 11,27. Les sites de détectés sont ensuite traitées par les étapes d'extraction de caractéristiques ou de mesures visant à caractériser la …

Representative Results

Les trois fonctions, à savoir, la valeur de nœud, FD, et H F, les valeurs d'AUC prévues de 0,61, 0,59, et 0,64, respectivement, lorsque chaque élément a été utilisé sur son propre. L'utilisation combinée des trois fonctions fourni une performance améliorée avec la CUA = 0,70. La courbe de FROC obtenu avec la combinaison des trois éléments est représenté sur la figure 11, ce qui indique une sensibilité de 80% à 5,6 MF / patient et 89% à 7,5 MF / patient. Util…

Discussion

Nous avons présenté une série de techniques sophistiquées de traitement de l'image numérique et la reconnaissance des formes, aussi connu comme l'apprentissage machine et CAD, pour la détection de distorsion architecturale dans les mammographies antérieures de cas intervalle-cancer. Les méthodes sont basées sur l'analyse des modèles de texture orientées présents dans les images mammographiques. Nos méthodes, y compris plusieurs autres fonctionnalités proposées dans nos travaux connexes, sont c…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Ce travail a été soutenu par des subventions du Programme de recherche en collaboration et à l'expérience de formation (CREATE) et une subvention à la découverte des sciences naturelles et en génie (CRSNG) du 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