使用解剖特征评估检测乳房不对称

萨米尔Kumar博士Bandyopadhya
印度加尔各答大学教授

文摘

放射科医生可以使用左和右乳房,之间的差异或不对称,在乳房x光成像帮助检测某些恶性乳腺癌。图像相似性的方法介绍了利用这一知识基础识别乳腺癌。图像相似性决定使用一个上下文,然后一个空间比较。乳房x光检查过滤寻找最前后文重要点,然后分析了由此产生的点集的空间相似性。图像相似性的方法介绍了利用这一知识基础识别乳腺癌。我们回顾分析乳房不对称,不对称是一个测量,可以发挥重要作用显著提高乳腺癌计算机辅助检测系统。

关键字

计算机辅助检测、不对称、图像相似性和乳腺癌

介绍

乳腺癌是女性最常见的癌症。乳腺癌的早期发现和诊断促进数字乳房x光检查可以提高生存率和患者完全恢复的机会。双边不对称是一个可能表明乳腺癌的乳房异常在其发展的早期阶段。研究人员一直在研究和开发图像处理算法,可以帮助放射科医生在给予准确的诊断。大多数检测算法表明可疑区域可能需要一个更好的观察。本文的调查已经发展为两国不对称性检测的算法。概述算法对齐左边和右边的乳房,左右乳房的方法比较。

乳房不对称是一个重要的放射性癌症的迹象,介绍第一种方法旨在检测所有类型的不对称;以前asymmetry-based研究一直关注质量的检测病变。传统的方法是寻找亮度或纹理差异相应位置左、右乳房图像。由于难以准确地确定相应的位置,不对称信号生成的以这种方式不够具体是用作小提示和微妙的异常computeraided诊断系统。我们已经进行的研究发现更多的视觉线索利用放射科医生。诊断乳腺癌占所有癌症的10%每年在世界范围内,构成了所有新2000年在女性癌症的22%,使其在女性最常见的癌症。检测和诊断乳腺癌的早期发展阶段增加的可能性成功的治疗和增加病人的完全恢复的机会。早期乳腺癌检测最好的检查程序仍在乳房x光检查。乳腺筛查项目减少了30 - 70%的死亡率。在乳腺图像乳腺癌的早期迹象,如两国不对称,可以透露。 Bilateral asymmetry is asymmetry of the breast parenchyma between corresponding regions in left and right breast. According to ACR's (American College of Radiology) Breast Imaging Reporting and Data System there are two types of bilateral asymmetry: global asymmetry and focal asymmetry.

全球不对称时定义更大体积的fibroglandular组织存在于一个乳房比相应的区域在另一个乳房和焦不对称是不对称的限制领域出现在两种不同的观点,但它缺乏大规模的边界和显眼。焦不对称通常是一个岛屿的健康fibroglandular组织叠加与周围的脂肪组织。不对称的乳房组织预计将会在大约3%的人口。不对称的乳房组织通常是良性的,但非对称区域可能表明发展中质量或潜在的癌症。因此,不对称的乳房可以可靠指标的未来女性乳房疾病应该考虑这个因素在一个女人的风险。

不对称的问题是那些正在改变或扩大或新,那些显而易见的和那些与其他相关联的发现,如微钙化物质或建筑扭曲。放射科医生比较左和右乳腺图像寻找视觉线索,可能表明乳腺病变的存在。放射科医生的误解病变会导致更多的假阳性病例。65 - 90%的疑似癌症的活检结果是良性的。因此,重要的是要开发一个系统,可以帮助后续和活组织检查之间的决定。

审查工作

彼得•米勒和苏Astley[1]认为不对称检测通过比较解剖学上类似区域的左和右乳房。他们建议可以开发一个成功的自动化系统使用相同的原则。首先,组织类型的数字化x光片分割形成结构上均匀的脂肪或脱脂地区。不对称然后发现通过比较各种特性的脱脂区域在左和右乳房x光检查。最后,这些比较的证据相结合,以分类为正常或异常,和定位任何可疑区域。这种方法在传统方法的主要优势是脱脂地区直接从乳房x光检查和比较中提取,所以不对称测量可能是更健壮的比使用有问题的乳房对准过程获得。还可以比较区域的形状,从而认识到某些迹象的建筑变形无法使用之前的方法。乳房x光检查的工作细分成脂肪和脱脂地区出版之前[2]。结果表明,法律的纹理能量[3]是最成功的分割方法测试,平均正确分类80%的乳房面积在40乳房x光检查数据集。

分割的目的是提取ROI包含所有质量和定位从ROI质量可疑的候选人。可疑区域的乳腺图像分割的目的是有一个非常高的灵敏度和大量的假阳性是可以接受的,因为他们将被删除在以后阶段的算法[4]。研究人员利用几种分割技术及其组合。

全局阈值[5]是一种常见的图像分割技术。它是基于全球信息,如直方图。这一事实质量通常比周围的组织有更大的强度可以用于发现全局阈值。直方图,异常的地区实施额外的山峰而健康的地区只有一个峰[6]。后找到一个可以分割阈值的区域异常。全局阈值不是一个非常好的方法来确定ROI因为质量往往叠加在组织相同的强度水平。全局阈值时具有良好的结果作为其他细分技术的主要步骤。

局部阈值略优于全局阈值。每个像素的阈值定义本地基于相邻像素的强度值[6]。多个像素属于同一类(像素的边缘质量和像素的中心质量)并不总是同质,可能由不同的特征值。李et al。[7]使用局部自适应阈值段属于同一类和乳腺图像分成部分自适应聚类改进结果。松原等。[8]开发了一个自适应的阈值技术,使用直方图分析乳腺图像划分为三类基于组织的密度从脂肪密度。roi包含潜在的质量检测使用多个阈值基于乳腺图像的类别。

Dominguez和南帝[9]进行分割的区域通过图像转换成二进制图像在多个阈值水平。与灰值图像在这项研究中,在区间[0,1],30步长为0.025水平足以段所有乳腺图像。Varela等。[10]分段可疑区域使用一种自适应阈值水平。以前的图像增强与虹膜过滤器。李等。[11]使用自适应灰度阈值获取可疑区域的初始分割,后跟一个多分辨率马尔可夫随机场模型的方法。

马尔可夫随机场(MRF)或吉布斯随机场(平)是一种分割方法在迭代像素分类类别。磁流变液/平统计方法和强大的建模工具[11]。Szekely等。[12]MRF用于“罚款”分割改进提供的初步结果“粗”分割。“粗”分割特征向量计算和传递给一组决策树分类的图像部分。“好”分割后他们使用三种不同的组合分割方法:径向梯度指数法的修改,贝塞尔曲线直方图法和双二值化段的质量形象。区域生长和区域集群也是基于像素分类。在区域增长方法像素分为地区。选择一个种子像素作为起点的地区与邻近像素迭代生长和聚集,实现某种同质性判据。郑等。[13]使用一种自适应地形区域增长算法定义的初始边界轮廓质量区域,然后应用一个活动轮廓算法修改最终质量边界轮廓。区域聚类搜索区域直接初始种子像素[6]。

帕帕斯[14]使用泛化的k - means聚类算法单独的像素到集群基于他们的强度和相对位置。李et al。[12]使用一种自适应聚类优化结果达到局部自适应阈值。领域等。[15]Kmeans使用聚类算法之后,对象选择在ROI检测初始质量的形状。ROI提取基于质量做了活检的位置被一个合格的放射科医师。初始质量检测是紧随其后的是一个活动轮廓分割方法改进的边界分割质量。

边缘检测算法都是基于灰度图像的不连续性。依据边缘检测渐变或衍生品测量灰度的变化率。Rangayyan[7]标准描述符普瑞维特等边缘检测算子,Sobel算子,罗伯茨运营商和高斯拉普拉斯算子(日志)算子。Fauci等。[16]开发了一个edge-based分割算法,使用迭代过程,ROI猎人算法选择ROI。ROI猎人算法是基于搜索方形窗内的相对强度最大,形成乳腺图像。一个核心活检是一个过程,一根针通过皮肤组织从大量样本或肿块。然后检查组织在显微镜下对任何异常。核心活检可能发现可疑肿块时执行,例如乳房肿块或淋巴结肿大,如果检测到异常的成像测试如x射线、超声波或乳房x光检查。核心活检是一种比细针穿刺手术,然而,它更快和微创手术活检。在某些情况下,一个核心活检的结果将防止手术的必要性。 If you have a breast lump and want it checked out, a Surgical biopsy is a good way to get a clear diagnosis. This type of breast biopsy removes the largest size of tissue sample, as compared to any type of needle biopsy. In some cases, the entire mass and a margin of healthy tissue may be removed. The tissue will be examined in a pathological lab right away to ensure that it is an accurate sample and get a diagnosis. Surgical breast biopsy takes the largest tissue sample and has the highest accuracy rate of all biopsy methods.

病理实验室可以使用两种方法来研究你的组织样本。最快的方法叫做“冰冻切片”或哭泣。组织快速冷冻切片与一个特殊的叶片部分薄足以看穿。永久部分方法是一种更全面的过程,使用特殊的化学物质从组织获得更多的信息。

图片上的数字检测过程是在那一刻。组织病理学的图像幻灯片在显微镜下可以通过数字图像处理加工准确地查出癌症。现在的问题是什么数字检测技术的需要,它可以检测容易被人眼本身。回答很简单;在所有的情况下人为错误是最重要的因素之一,而不能完全消除,特别是当它是癌症的检测,这可能会导致病人的死亡。然而,有很多额外的数字检测方法的优点。

分布和共享数字图像处理的组织病理学滑到远程位置是更容易和更少的时间消耗比原来发送给专家的意见。

保护数字图像处理的组织病理学幻灯片为未来的引用简单得多。在一项研究中,病理学系(联电)乌得勒支大学医学中心每天处理大约300到500组织病理学的幻灯片,每年近100000人,每一个都必须被处理,得分,重要的是存储;如果病人回到医院,我们可能需要重新审视他们的幻灯片。

Petrick[17]使用拉普拉斯算子的高斯滤波器结合密度加权对比度增强(DWCE)。DWCE方法增强了结构在乳腺图像进行边缘检测算法能够检测对象的边界。邹等。[18]提出了一个方法,使用梯度向量流场(预防)这是一个参数变形轮廓模型。乳腺增强后的图像自适应直方图均衡化,养狐业字段组件与更大的熵是用于生成ROI。

结论

可以很难决定谁可能有乳腺癌,谁可能有一个良性乳房疾病。计算和通信技术的发展已经导致了一系列的可用性工具用于乳房x光检查质量保证和支持系统。绝大多数集中在使乳房x光检查检查和诊断病例,或提供图像档案,作为参考资料。有限的重点一直放在分析乳房x光检查使用的诊断过程达到诊断和使用这个资源对提高诊断性能。

引用

米勒π,Astley SM。使用解剖特性检测乳房不对称。1993年学报学报生物医学图像处理和可视化。
米勒π,Astley SM。分类的乳腺组织结构分析。图像和视觉计算10:277 - 282,1992。
KI法律。纹理图像分割。图像处理研究所报告940年,南加州大学,洛杉矶,1980年。
Sampat议员。,Markey, M.K., Bovik, A.C.: Computer- Aided Detection and Diagnosis in Mammography. In: Bovik, A.C. (ed.) Handbook of Image and Video Processing. Elsevier Academic Press, Amsterdam (2005)
Brzakovic D。罗,X.M.,Brzakovic, P.: An approach to automated detection of tumors in mammograms. IEEE Transactions on Medical Imaging 9(3), 233–241 (1990)
李L.H.,Qian, W., Clarke, L.P., Clark, R.A., Thomas, J.: Improving Mass Detection by Adaptive and Multi-Scale Processing in Digitized Mammograms. Proceedings of SPIE—The International Society for Optical Engineering 3661 1, 490–498 (1999)
程,收听距离施,X.J.分钟,R。,Hu, L.M., Cai, X.P., Du, H.N.: Approaches for Automated Detection and Classification of Masses in Mammograms. Pattern Recognition 39(4), 646–668 (2006)
松原,T。藤田,H。Endo, T。,et al.: Development of Mass Detection Algorithm Based on Adaptive Thresholding Technique in Digital Mammograms. In: Doi, K., Giger, M.L., et al. (eds.) pp. 391–396. Elsevier, Amsterdam (1996)
那么Dominguez境南帝,自动跟踪:增强多层阈值分割和基于等级的地区选择质量检测的乳房x光片。:IEEE国际会议音响、演讲和信号处理2007年ICASSP 2007年,火奴鲁鲁,嗨,4月15 - 20,页449 - 452 (2007)
万利拉,C。,Tahoces, P.G., Méndez, A.J., Souto, M., Vidal, J.J.: Computerized Detection of Breast Masses in Digitized Mammograms. Computers in Biology and Medicine 37, 214–226 (2007)
李,收听距离,Kallergi, M., Clarke, L.P., Jain, V.K., Clark, R.A.: Markov Random Field for Tumor Detection in Digital Mammography. IEEE Transactions on Medical Imaging 14(3), 565–576 (1995)
Szekely, N。托斯,N。,Pataki, B.: A Hybrid System for Detecting Masses in Mammographic Images. IEEE Transactions on Instrumentation and Measurement 55(3), 944–951 (2006)
郑,B。,Mello-Thoms, C., Wang, X.H., Gur, D.: Improvement of Visual Similarity of Similar Breast Masses Selected by Computer-Aided Diagnosis Schemes. In: 4th IEEE International Symposium on Biomedical Imaging: From Nano to Macro, ISBI 2007, April 12-15, pp. 516–519 (2007)
帕帕斯,T.N.:一个自适应聚类算法进行图像分割。IEEE信号处理40 (4),901 - 914 (1992)
领域,B。,Hadjiiski, L.M., Chan, H.P., Paramagul, C., Nees, A., Helvie, M., Shi, J.:Concordance of Computer- Extracted Image Features with BI-RADS Descriptors for Mammographic Mass Margin. In: Giger, M.L., Karssemeijer, N. (eds.) Proc. of SPIE Medical Imaging 2008: Computer-Aided Diagnosis, vol. 6915 (2008)
Fauci F。,Bagnasco, S., Bellotti, R., Cascio, D., Cheran, S.C., De Carlo, F., De Nunzio, G., Fantacci, M.E., Forni, G., Lauria, A., Torres, E.L., Magro, R., Masala, G.L., Oliva, P., Quarta, M., Raso, G., Retico, A., Tangaro, S.: Mammogram Segmentation by Contour Searching and Massive Lesion Classification with Neural Network. In: 2004 IEEE Nuclear Science Symposium Conference Record, Rome, Italy, October 16–22, vol. 5, pp. 2695–2699 (2004)
Petrick, N。,Chan, H.P., Sahiner, B., Wei, D.: An Adaptive Density Weighted Contrast Enhancement Filter for Mammographic Breast Mass Detection. IEEE Transactions on Medical Imaging 15(1), 59–67 (1996)
邹,F。,Zheng, Y., Zhou, Z., Agyepong, K.: Gradient Vector Flow Field and Mass Region Extraction in Digital Mammograms. In: 21st IEEE International Symposium on Computer-Based Medical Systems, CMBS 2008, Jyvaskyla, June 17-19, pp. 41–43 (2008)