计算机辅助检测乳腺密度和质量,和其他可视化乳房解剖区域削减在乳房x光检查使用图

文摘

乳腺癌主要来自乳房腺体(密度)的地区。因此,乳腺密度被发现是一个强大的乳腺癌风险的指标。因此,有必要开发一个系统可以部分或致密的乳房区域进行分类。在一个致密的乳房,乳房x光检查的敏感性对乳腺癌的早期诊断是降低。很难发现大量致密的乳房。因此,计算机化的方法来区分质量的存在与腺体组织成为一个重要的任务。此外,如果分割结果的可视化提供更精确的划分使乳房解剖区域,它还可以协助检测建筑变形或不对称。本研究试图段密集地区的乳腺癌和大规模的存在和其他可视化乳房区域(skin-air接口,未压缩的脂肪,压缩脂肪和腺体)系统。削减图表(GC)分割技术提出了。选择多个选项的种子标签提供分割的不同部分的硬约束。 The results are promising. A strong correlation ()是观察之间的分段致密的乳房区域检测和辐射地面实况。

1。介绍

乳腺癌是最常见的诊断癌症(大约23%(138万)总癌症病例)和在全世界女性癌症死亡的首要原因(癌症死亡总数(458400)的14%),仅在2008年(1]。的原因之一乳腺癌的发病率和死亡率的增加是由于缺乏认识疾病和不良反应的乳腺癌筛查的呼声。早期检测通过乳房x线照相技术已经被证明可以有效的治疗方案和拯救生命。女性乳腺密度高的更有可能患乳腺癌,也就是说,大约四到五倍比女性乳腺密度较低(2,3]。乳房x光检查是唯一的成像技术,有能力发现乳腺癌之前就变得显而易见。乳房x光片由放射科医生分析视觉。然而,有限制自乳房x光检查的敏感性降低在致密的乳房4]。因此,有困难的解释这样的乳房x光成像。由于视觉分析的主观性质,定性反应可能会有所不同从一个放射科医师到另一个地方。作为一个解决方案,计算机系统可以探测到致密的乳房区域和作为第二个观点是至关重要的。

乳房异常结构的分割,因此,取决于乳房组织密度。根据乳儿et al。5腺组织的),自动分割或实质模式可以作为乳腺病变的底漆提供检测。质量通常是由一个高密度的结构表示。然而,重叠fibroglandular组织似乎也有类似的强度和质量(6]。根据米勒和Astley [7),识别腺体组织的乳房x光片是必要的评估左和右乳房之间的不对称。松原et al。8)表示,fibroglandular组织的评估可以用来估计程度的风险被正常乳腺组织。很难区分正常,密集的组织和癌组织在肿瘤周围腺体组织(9]。

在临床实践中,考尔金等。10)已经意识到大多数的癌症与腺体而非脂肪组织。检测乳腺癌的乳房x光片是一个非常艰巨的任务。这是由于大胸部组织的变化出现在乳房x光片。肿瘤或质量通常是由致密组织位于fibroglandular地区和浅灰色或明亮的区域,经常可以看到在乳房x光片。因此,对于乳房x光检查的密度和腺体类型,肿瘤的检测变得更加困难,因为相似的肿瘤之间的强度和密度正常乳腺组织。肿瘤的检测是嵌入在正常致密组织因此变得更加复杂与乳房脂肪组织。

许多研究人员专注于图像处理,包括分割技术来确定质量和检测早期乳腺癌钙化。大多数图像处理技术实现对整个乳房x光检查没有考虑乳房x线照片有不同的密度模式和解剖区域使用的放射学家在解释6]。分割的腺体组织可以作为主要步骤检测可疑的质量和减少假阳性。这项研究的重点是不仅对致密区域的分割,但也要考虑质量或质量的存在和其他胸部解剖结构的可视化。因此,通过专注于腺腺区和突显出高密度区域的区域,它可以帮助和贡献作为第二意见的专家诊断。

在这项研究中,GC技术探讨评估效率检测乳腺密度和质量,和其他可视化乳房解剖区域的乳房x光片。GC技术使医学图像中的对象被发现他们精确可靠地分割边界。现有研究GC技术研究论文表明积极的结果在医学图像的分割,如磁共振成像(MRI)和计算机断层扫描(CT)图像。尽管GC技术显示非常有前途的结果,使用这种技术应用于乳房x光检查工作尚未开始。Camilus et al。11)使用GC算法来识别胸肌。我们的以前的工作12)是第一个用GC算法在乳房x光检查乳房区域分割成部分背景,skin-air接口,未压缩的脂肪,压缩脂肪和腺体。本研究的领域是应用程序的GC技术检测乳腺密度,质量,包括乳房解剖区域的乳房x光片。我们发现,重要的是要结合的分割成解剖区域的分割乳腺密度一般乳腺癌筛查。然后,专注于密集组件和腺体组织的特定细分领域应该用于乳房质量检测。最后,乳腺密度估计乳腺癌的风险评估和监测乳腺密度为预防和干预过程的变化也应该合并。因此,计算机辅助检测系统中的步骤将结合,在这项工作中使用。

2。背景

沃尔夫(13)是第一个显示乳腺乳腺密度之间的关系模式和患乳腺癌的风险。他分类乳腺密度或将其描述为实质模式分为四个类别。因为关系,研究基于乳腺密度已经进行。米勒和Astley [7]调查texture-based脂肪和致密的乳房类型之间的歧视。Byng et al。14基于分形维数)使用的措施。周等人乳腺密度分为四种BIRADS类别根据灰度直方图的特征15]。他们发现computer-estimated百分比之间的关系密集的区域和放射科医生手动分割与均方根(RMS) 0.94和0.91错误在6.1%和7.2%,分别为CC和枣疯病的观点。松原et al。8)乳腺癌的乳房x光成像分为三个区域使用方差直方图分析和判别分析。然后,他们划分成四类,这是脂肪,乳腺扩散,非均匀密度高,高密度,通过使用每个三个区域的比率。

宝和辛格16]估计特征的建筑空间灰度矩阵的依赖。Petroudi et al。17textons]用来捕获乳房中的乳腺出现区域。其他研究人员使用智能系统等密度分类概率潜在语义分析(查询),最近的邻居(资讯)分类器、决策树分类器和贝叶斯分类器。博世et al。18)提出了一种新的模型和方法分类乳腺实质组织使用查询。Chatzistergos et al。19)在乳腺组织的分类根据乳腺影像报告和数据系统(BIRADS)使用查询。奥利弗et al。20.)再使用邻居(资讯)分类器、决策树分类器,和贝叶斯分类器,基于前两个的组合分类器的研究。

尽管所有的研究,只有一小群研究人员参与了致密的乳房区域的分割对于乳房解剖结构。更详细的部门可以通过分割基于解剖学。这也有助于界定、描述和可视化。例如,乳腺癌的检测区域,其他相关线索如乳房结构变形和乳房的乳头的位置也会检测到。Karssemeijer[提出的分割方法21)允许乳房x光检查的细分为三个不同的领域:乳房组织,胸肌。和背景。Petroudi和布雷迪22)描述了一种算法乳腺图像分割成区域对应不同的密度。textons使用的分割算法在一个隐藏的马尔可夫随机场(HMRF)。算法的结果证明协议接近放射科医师的分割和密度的解释。阿德尔等人提出的乳房区域分割成胸肌,脂肪和fibroglandular区域使用贝叶斯技术适应的马尔可夫随机场在乳房x光成像探测区域不同的组织(23]。Aylward等人分割成五个地区使用的组合几何(梯度大小岭遍历)和统计(高斯混合模型)方法(24]。他们分割背景下的五个地区,未压缩的脂肪,脂肪、致密的组织和肌肉。El-Zaart乳腺图像分割成三个区域,fibroglandular盘,乳房,和背景(25]。在许多分割图像,乳房的轮廓区域定位的内心比实际的边界,可能是因为皮肤线几乎是可见的。前面的分割奥利弗等人的研究导致轻微亏损skin-air地区乳腺癌区域(20.]。需要建立一个系统,试图避免这种情况,保护皮肤线位置和,如果可能的话,乳头的位置。这很重要,因为它帮助从业者建筑变形的检测。放射科医生给具体注意乳房的乳头在体检。此外,根据Karssemeijer [21),重要的是保持皮肤线位置特征选择。在我们之前的工作中,发现GC技术能够部分乳房区域背景,skin-air接口,脂肪、腺体,胸肌26]。

大部分的研究都集中在乳腺密度的分类方法。其他人强调fibroglandular组织的分割方法,一些研究者执行乳房解剖区域的分割基于密度。也有其他特定部分的分割工作的乳房等地区发现乳头位置,skin-air接口或胸肌肉。乳腺密度的研究一直集中在我们之前评估文献[27]。大多数以前的研究论文,侧重于腺体的分割区域通常不强调肿瘤检测的能力。本研究不仅段致密的乳房区域还检测到肿瘤。这将是有趣的,如果与此同时,该系统可以想象乳房解剖区域为了帮助放射科医生解释。作为一个延续以前的工作的26),本研究将突出GC技术的能力不仅对乳腺密度和其他乳房解剖区域分割,还考虑到质量或质量的检测。胸肌提取也是为了执行乳腺密度进行分类。我们的研究目标是开发一个系统,它可以检测乳腺密度和质量,和其他可视化乳房区域(skin-air接口,脂肪、腺体和胸肌)系统。乳腺密度分割的绩效评估结果和模型来估计BIRAD类别根据乳腺密度百分比在分类阶段将在本文。

虽然有其他研究人员乳房区域分割成脂肪和密集的地区23,25),这项技术在这项研究中有能力分割图像的解剖区域六个区域。也有研究专注于检测乳房边界或本地化的乳头28]。然而,他们没有考虑致密区域的检测。另一方面,之前的作品集中在检测乳腺密度没有考虑保护乳房边界或本地化的乳头20.]。我们的方法会考虑检测乳腺密度以及保存尽可能多的乳头乳房边界或定位的位置。我们提出一个方法对乳腺区域的分割不同密度的调查使用GC算法。分割的结果是基于用户定义的种子标签根据密度特性为gc算法提供硬约束,结合组织类型和颜色信息。

3所示。方法

本研究的主要目的是开发计算机辅助检测系统,能够分割乳腺密度和质量,以及visualizating其他乳房解剖区域。涉及几个步骤来实现这个目标。涉及到的所有阶段的框图所示图1。本研究涉及到的初始步骤预处理阶段,包括自动化图像裁剪、工件去除,图像增强。在这项研究中,GC技术提出了致密区域的分割和质量,和其他可视化乳房解剖区域。测试方法对乳腺图像分析社会数字乳房x光检查数据库(Mini-MIAS)数据库(29日]。

3.1。预处理步骤

执行自动化的胸型种植定位感兴趣的区域(ROI)包含所需的乳房。为了节省内存空间的使用和加快处理任务,图像下采样了4。图像裁剪删除不必要的等领域广泛的背景区域,并允许更多的专注于特定区域。这个过程的目的是让可疑区域检测的过程是有限的乳房区域不受背景的影响。这ROI将用于进一步分割过程。

一些图像在数据库mini-MIAS受到工件和噪音的影响。工件在乳房x光成像的高强度如标签,不透明的标记,并扫描工件。噪音如斑点和划痕是最有可能造成的数字化过程。开放形态,在预处理阶段采用阈值方法去除工件和噪音,并缓解分割过程。背景中的噪声和工件检测并取代黑色像素。增强的图像使用中值滤波和形态学处理技术。使用中值滤波,因为它能够去除工件造成刮痕。

3.2。胸肌提取

相似的强度和胸肌肉和腺体组织之间的重叠会导致假阳性检测质量或密度区域。胸肌区域的提取可以帮助减少假阳性。把胸肌也基本在计算乳房面积的百分比。这是一个提高我们的先前的研究12,26,27,30.,31日],它只考虑密集区域的检测和可视化的解剖区域。在这个研究论文,将进行乳腺密度的百分比计算,包括切除胸肌地区乳腺区域的计算区域。程序参与foloows胸肌的检测:(1)结果从乳房轮廓自动裁剪图像将用于进一步在这个阶段。枣疯病左边乳房x光图像翻转水平胸肌的位置在图像的左上角。而对枣疯病乳腺图像可以直接处理而不需要翻转;(2)胸肌的初始化种子自动位于左上角的区域增长的初始位置;(3)确认胸肌区域使用地区日益增长的提取和删除;(4)乳房区域没有胸肌作为输入用于分割使用GC技术。

3.3。削减Multilabel图分割

很难确定乳腺密度由于脂肪和腺体区域之间的模糊边界。因此,它是非常必要的部分不同的组织或乳房乳腺图像的解剖结构准确的诊断。使用GC图像分割是用来分割图像根据乳腺癌解剖结构和分配致密的乳房区域或肿瘤。应用GC种子标签提供多个选项的硬约束,而不同的乳腺区域的种子标签是用户定义的。这个方法是至关重要的在乳房x光图像处理识别致密的乳房区域以及不正常的位置。这种分割的精度对图像分析技术有很大的影响。

分割结果使用执行GC使用以下方程: 是一个能量函数,标签的图片吗。第一项方程被称为数据成本(也称为区域属性词)(32),而第二项叫做平滑成本(也称为边界属性词)。是一种数据罚函数,它表明个人标签偏好基于观察的像素强度和预定的似然函数。鼓励空间相干性的互动潜在惩罚相邻像素之间的不连续。有两个常数;和对应于datacost smoothcost,故意来获取最优分割。在这部作品中,价值数据成本不变设置为10和平滑常数()设置为20。这些值被选择,因为最好的分割结果基于试验和错误的基础上。

削减在使用图形,用户只需要选择段的数量,也把标签所需的区域进行分割。代表意义的解剖区域,三到六段是合适的。最初的标签需要指定标签的背景和skin-air接口,将单独的乳腺癌和nonbreast地区乳房x光检查。然后,最重要的标签是有更高的密度和高密度区域窝藏可疑区域的可能性。肿瘤或质量通常是由高密度的结构嵌入到致密腺体组织的一部分。因此,通过专注于腺区和突出的高密度区域腺区,GC算法能够自动检测异常区域。作为输出,乳腺图像提出了数段,每一段代表着不同地区的乳房。

3.4。绩效评估

绩效评估的步骤是进行该方法测量的能力。最重要的部分,我们想强调在这个研究是密度区域。三个性能指标绩效评估在先前的研究中使用的28,33)完整性,正确性和质量(23]。地面的完整性是真理区域解释的分割区域。正确性是正确的比例提取乳腺区域类型。一个质量指标,可以通过结合完整性和正确性33]。这两个指标的最优值是1。这些三个性能指标的评估也是在这项研究中,使用如下: 所涉及的术语和公式评价分割结果表示跟随:(1)真阳性(TP)意味着正确的像素分割腺组织/质量证明是腺组织密度/地面真理;(2)假阳性(FP)意味着正确的像素分割腺组织/质量证明是其他组织在地面真理;(3)假阴性(FN)意味着正确的像素分割其他组织,被证明是腺组织/质量在地面真理;(4)真阴性(TN)意味着正确的像素分割其他组织,被证明是其他组织在地面真理。

在分析乳房x光检查图像在筛选过程中,放射科医生的任务之一就是确定图像的部分代表乳腺密度区域。这是非常主观的。不同的专家有时有不同的意见,即使相同的图像。图2是乳腺密度的地面实况显示乳腺密度的变化解释或腺体组织在放射科医生(34]。从图我们可以看出2乳腺密度是由一个位置分布在大面积地面真理。绿色箭头显示,脂肪组织内还包括地面实况的乳房密度。

大部分研究密度检测并不提供与专家界定密度区域。事实上,定性分析总是需要绩效评估(35]。在这个研究中,分割图像使用GC与手工绘制的部分致密的乳房区域使用MIPAV程序由一个专家放射科医师。密度分割区域的放射学家成为黄金标准的参考测量的验证方法。这可以提供更准确的测量乳房密度。

异常的位置信息和一个圆的半径封闭的异常可以作为参考的质量检测提供了mini-MIAS数据库。在这项研究中,创建了一个过程,异常可以插入的位置加上一个圆的半径封闭异常和自动检测异常的位置。异常的质心位置由蓝色星号,表示在一个绿色的圆圈代表异常封闭如图3 (c)。

然而,对于定量分析,异常的地面真理也是必要的。这需要手工素描从放射科医生专家强调的边缘密度和面积。在这项研究中,这个过程是局限于一个单一的最好的专家意见,也就是说,放射科医师也是一个高级顾问的专家,拥有超过20年的经验。在他看来,一个草图地面真理是适当的代表一个均匀区域(BIRAD 1或BIRAD 4)。然而,异构地区(BIRAD 2或BIRAD 3)不适当由地面真理的一个草图。这是因为,通过使用一个粗糙的地面真值来表示复杂的地区,脂肪组织内很可能还包括绿色箭头标记等地区地面真理如图2。根据我们的专家,因为异构地区大大不同于均质区域,需要不止一个素描这种性质的真理。在这项研究中,地面真理获得致密的乳房区域定位和大众领域,红线表示的数据3(一个)和3 (b)。这些可以作为参考比较的基础我们的分割结果的有效性。图4给地面真理的说明我们的专家对不同BIRAD类别。因此,更合适的分割可以从这项研究中获得的基础比较使用我们的计算机方法。

3.5。乳腺密度的分类

乳腺影像报告和数据系统(BIRADS),由美国放射学院(ACR)是最近的标准在放射学分类乳腺密度(36]。BIRADs乳腺密度进行分类分为四个大类:主要是脂肪(< 25% fibroglandular内容);脂肪和一些fibroglandular组织(fibroglandular含量在26%至50%之间);混合密度(51%和75%之间fibroglandular内容);和密度极高(fibroglandular含量> 75%)。图5显示乳房x光成像BIRAD不同类别。乳腺密度百分比计算使用以下公式(37]: 乳腺密度百分比计算密度像素的数量除以乳房边界内像素的总数。乳腺密度不同类别是通过分组乳腺密度百分比计算根据BIRAD类别。统计分析使用皮尔逊相关系数(38)将用于乳腺密度区域使用GC分割方法的比较和乳腺密度区域的地面真理。还将进行回归分析来确定预测模型BIRAD类别的分类阶段。

4所示。结果

分割技术一直在测试的正常和异常图像mini-MIAS数据库。数据6和7显示的结果为正常和异常图像预处理阶段的研究。原始的乳房x光成像(数字6(一)和7(一)由一个大的背景区域。阈值技术用于乳房区域从non-breast区域分开。乳腺区域的二进制图像数据所示6(b)和7(b)。自动裁剪会限制美联储的乳房x光成像乳腺区域的矩形区域的数据6(c)和7(c),采用形态学技术为了消除广播不透明的标记和标签。中值滤波器用于增强图像和消除噪声如划痕在原始的乳房x光成像,和过滤的结果如图6(c)和7(c)的数据6(d)和7(d)显示分段乳房概要文件作为原始图像数据感兴趣的地区6(一)和7(一)删除后收音机不透明的标记和标签。

地区日益增长的执行初始化种子,这是分配在图像的左上角。正确的mdb004枣疯病乳房x光图像可以直接处理而不需要翻转(图8(一个)),而左边枣疯病mdb111的乳腺图像翻转水平胸肌的位置在图像的左上角(图9(一个))。然后,胸肌区域提取出来。乳房没有胸肌(数据区域7(c)和9 (c)使用GC)作为输入用于分割技术。

Multilabel GC技术可以描绘一个正常的乳腺图像面积密度和其他胸部解剖区域。应用gc的多个选项标签。有五个标签选择mdb004形象。标签是由用户。图像mdb004的结果,这是一个正常的情况下,分割后使用GC技术数据所示8 (d)- - - - - -8 (f)。第一个标签是寻找背景,第二个寻找skin-air接口,第三寻找未压缩的脂肪地区第四寻找压缩脂肪地区,和第五寻找乳房密度区域。每一个形象,有三个输出图像。第一个图像显示标记种子用户(图8 (d))和第二显示分割输出灰度(图8 (e)),而第三图像显示分割的输出颜色(图8 (f))。

mdb111这是一个恶性案件的结果,分段后使用GC技术数据所示9 (d)- - - - - -9 (f)。mdb111六个标签被选中的图像。第一标签寻找背景,第二寻找skin-air接口,第三寻找未压缩的脂肪地区第四寻找压缩脂肪地区发现乳腺密度地区第五,第六标签寻找密度肿瘤或质量。结果表明,GC技术能够检测质量嵌入到乳腺密度。通过专注于密集的地区和突出的高密度区域腺区、GC技术可以自动检测质量的存在。本研究证明了检测的重要性、高密度的结构致密的乳房区域可自动突出存在异常,如质量或质量。分段乳腺密度的定量评价方法是基于地面真理由放射科医师。

绩效评价一直在评估40乳房x光检查的图像不同乳腺组织类型或BIRADS类别,对脂肪(脂肪)和10个图像每个fatty-glandular dense-glandular (GL)和20个图像乳房类型。总的来说,40正常图像,完整性的平均值,正确性和质量分别为0.702、0.635和0.513。对于脂肪乳房组织类型,平均值的完整性、正确性,和质量分别为0.334,0.426和0.189。fatty-glandular乳房组织类型,平均值的完整性、正确性,和质量分别为0.839,0.488和0.447。dense-glandular乳房组织类型,平均值的完整性、正确性,和质量分别为0.818,0.814和0.707。绩效评估的结果GC技术在图所示10,那里的设在代表平均值获得使用的完整性,正确性,为不同的乳腺组织和质量指标类型和整体形象代表设在。

绩效评估的结果是有前途的乳房密度和面积的检测。地面真理基于信息从数据库mini-Mias给粗糙的地面真理,而地面真理从我们的放射科医生给了更多的精度。地面真理mini-Mias数据库可以提供异常的位置作为参考。然而,它不能提供精确的边缘质量与地面实况用于这项研究。因此,在本研究进行的绩效评估可以提供更准确的绩效评估结果。问题关于地面真理和绩效评估已经详细解释在我们回顾文献[27]。

根据Nishikawa et al。39),比较是没有意义的不同的技术如果技术测试在不同的数据库中。然而,很少有技术已经测试使用量化绩效评估涉及地面真理从放射科医生。因此,比较了在我们的技术与其他作品使用相同的图像数据库和使用相同的指标进行绩效评估,包括地面真理从放射科医生。在这项研究中,我们发现与之前的研究相比,阿德尔et al。23),贝叶斯方法的适应应用马尔可夫随机场和质量指标是用于他们的绩效评估。结果mdb003 (BIRAD 3), mdb041 (BIRAD 2),和mdb009 (BIRAD 1)展示在表1。为BIRAD 3 (mdb003)和BIRAD 2 (mdb041)乳房类别,我们的方法能产生更好的结果的质量指标与以前的方法相比。虽然我们的研究结果发现贫穷BIRAD 1 (mdb009),分段输出图像非常相似,也就是说,如果分割图像相比,本研究与先前的分割图像阿德尔et al。23]。这意味着质量指标的差异是由地面真理的差异引起的。原因是更详细的地面实况乳房腺体类型涉及多个地点的密集区域代表复杂的地区,尽管先前的研究论文只考虑一个位置分布在大面积地面真理。不同的地面真理会影响绩效评估的结果,尽管分割结果非常相似。不同的地面真理极大地影响分割的绩效评估结果的可靠性。因此,它绝对是需要找到一个方法来获得一个客观的真理。

正如之前提到的,本研究的重点是不仅致密区域的分割,也考虑了其他乳房解剖结构等可视化乳头的位置(如果有必要和可能的),skin-air接口,未压缩的脂肪组织,脂肪组织,压缩和腺体组织。结果表明,gc技术可以描绘乳腺密度,质量和其他胸部解剖区域在乳房x光检查。

乳腺密度计算的百分比,密度像素的数量除以总数量的像素在乳房内边界。然而,有乳腺癌的定义边界的不确定性。大多数研究忽略了skin-air界面乳房区域。此外,根据Karssemeijer [21),重要的是包括skin-air接口并保留乳头的位置(如果可能的话)进行特征选择。因此,本研究认为这些方面提供更精确的分割。皮尔森相关系数是用来比较致密的乳房区域分割与乳腺密度使用GC方法导出了地面真理在这个研究领域。结果是健壮()和比较与先前的工作由周et al。(和)[15]。图11显示了地面真理的乳腺密度百分比由放射科医师(GT密度)和乳腺密度分割使用GC (GC密度)。

结果表明,分段区域使用GC高度的百分比与放射科医生的分割区域。然而,产生较低的百分比比类别BIRADS派生的。这是由于乳房边界的不同定义。先前的研究乳腺癌边界不考虑skin-air接口中定义(20.),因为很难想象这一领域,由于低的对比。另一方面,本研究强调了解剖乳房区域没有丢弃这个skin-air界面区域,因为它有助于visualizating和解释的目的。然而,这降低了密度的百分比,而乳房区域面积变大。这种情况导致分类乳腺密度偏差。为了克服这种情况,基于统计分析使用的模型进行回归分析。一个模型来确定乳腺密度类别根据乳腺密度百分比推导如下: 在哪里是估计BIRADS类别是密度的百分比。

5。讨论

预处理阶段涉及自动胸型种植可以识别感兴趣的区域(ROI),乳房。它还消除了不必要的领域,比如大背景区域,收音机不透明的标记,标签,和工件。分割技术可以部分识别致密的乳房领域,及其在检测质量功能嵌入到致密区域突出显示。可视化的方法也帮助其他胸部解剖区域。强烈的相关性观察之间的分割乳腺密度和辐射地面实况。有前景的结果显示这项技术的潜在能力在临床实践中用于量化乳房密度。

使用该方法两种情况出现。首先,完整性、正确性,和该方法的质量是好或更好的为致密的乳房类型(BIRADS 4)。这是因为地面实况的同质区域需要一个草图。然而,由于使用的详细和精确的地面实况,完整性,该方法的正确性和质量较低的脂肪和腺体的乳房类型。这是因为乳房腺体类型的更详细的地面实况涉及多个位置的致密区域代表不同地区和并不局限于只有一个位置在前面的地面真理(35]。只有一个素描本研究用于地面真理的同质区域。比较是非常具有挑战性的手工绘制地面真理草图与计算机化的结果。这是因为手工绘制地面实况草图由放射科医生是基于专家的观点相关的乳房解剖结构,而基于强度的计算机化的结果。虽然计算机可能强大的歧视像素值基于不同强度,放射科医生让他们肉眼分化的强度。然而,根据他的经验和直觉,放射科医生能够根据详细的解剖结构解释结果与计算机方法局限于强度的水平。在任何情况下,本研究已表明的必要性地面真理的乳房密度的定义,作为一个指导中使用一个可重复的方式。

其次,为了根据BIRAD类别,分类乳房密度百分比计算。有高度的相关性()乳腺密度之间的区域分割与乳腺密度使用GC方法导出了地面真理在这个研究领域。然而,密度百分比的值小于其BIRAD类别。再一次,这种情况下很难解决,除非明确定义地面实况和乳房区域是可用的。因此,乳房的模型类别评估使用统计分析推导。作为本研究的重点是乳腺密度比例使用回归分析作为分类的特征,其他特征的分类是超出了我们的研究范围。简单,计算比例的腺体组织进行,和乳腺密度估计的类别。

6。未来的工作

未来的研究应该试着识别相同的地面真理的术语引用为了比较的计算机辅助系统。地面真理的标准定义或解释被认为是必要的,以便客观地真理可以勾勒出正确根据标准。清楚地定义什么是乳房区域也应该表示在未来的工作,也就是说,如腋窝部分以及胸肌部分是否也应该被考虑。我们发现一些图片不包括腋窝部分(图12(一)),而其他一些图像的一小部分(图12(b)),还有一些人认为更大的腋窝部分(图12(c))。这项研究表明腋窝除为未来的研究。这是因为每个枣疯病的乳房x光成像的不同大小的乳房的腋窝部分地区,这将影响整个乳房区域面积的计算。切除腋下部分确保相同的乳房区域可以获得和定义的标准测量乳房区域面积可用于未来的研究。

这项研究表明BIRAD密度的分类在未来的工作中,不仅基于面积百分比乳腺密度还结合形态或结构特性应用灰度共生矩阵建立()的胸部区域。分级机(SVM, PCA, ID3、延时神经网络或其他分类器)应该用于乳房密度为BIRAD类别进行分类。

7所示。结论

先前的研究论文都集中在乳腺密度或质量检测。本研究结合能力(乳腺密度或质量检测)的系统。系统不仅可以段乳腺密度和其他胸部解剖区域,也可以突出质量或质量可能嵌入到腺地区。这些都是有益的计算工具用于临床决策支持系统的诊断乳腺癌。GC算法实现了乳腺密度,质量和解剖分割被发现有前途。分割的精度对图像分析技术有很大的影响。这项研究还强调详细的使用和精确的地面真理尤其是在绩效评估。地面真理的标准定义或解释是必要的,以确定正确的草图是基于获得的同意和派生标准。本研究也试图突出绩效评估的事实比较分割结果通过使用不同的地面真理是无与伦比的除非地面真理的明确定义是表示在未来的研究。清晰定义的乳房区域乳腺密度的计算也很重要。 In any case, the ground truth can be accepted as guidance for performance evaluation. However, it is not an absolute evaluation. There is still restriction and limitation in the performance evaluation of segmentation results, and this needs further improvements.

承认

作者要感谢USM-RU授予814082年提供金融支持这项工作。

引用

1. a . Jemal f·布雷,m . m .中心,j . Ferlay e·沃德·d·福尔曼,“全球癌症统计数据,”CA:癌症期刊对临床医师,卷61,不。2、69 - 90年,2011页。视图:出版商的网站|谷歌学术搜索
2. n·f·博伊德,郭h . l . j .马丁et al .,“乳腺密度和乳腺癌的风险和检测,”《新英格兰医学杂志》上,卷356,不。3、227 - 236年,2007页。视图:出版商的网站|谷歌学术搜索
3. l . Yaghjyan g·a·科迪兹·l·c·柯林斯et al .,“乳腺乳腺密度和随后在绝经后妇女患乳腺癌的风险根据肿瘤的特点,“美国国家癌症研究所杂志》上,卷103,不。15日,第1189 - 1179页,2011年。视图:出版商的网站|谷歌学术搜索
4. d·s·m·Buist博士p·l·波特c .雷曼美国h .近代和大肠白人,”因素在40至49岁妇女乳房x光检查失败,”美国国家癌症研究所杂志》上,卷96,不。19日,1432 - 1440年,2004页。视图:出版商的网站|谷歌学术搜索
5. j .乳儿d . r .舞蹈,e . Moskovic d·j·刘易斯和s . g .黑”分割的乳房x光检查使用多个链接的自组织神经网络,”医学物理学,22卷,不。2、145 - 152年,1995页。视图:出版商的网站|谷歌学术搜索
6. m·皮埃尔结合组装的领域专家标记[硕士论文)、计算科学、于默奥大学同居,瑞典,2010年。
7. p·米勒和s . Astley“乳房组织通过纹理分析,分类”图像和视觉计算,10卷,不。5,277 - 282年,1992页。视图:谷歌学术搜索
8. 松原t·d·山崎,加藤m . et al .,“自动分类方案基于fibroglandular的分布和数量的乳房x光检查乳房组织密度,”国际大会系列卷,1230年,第552 - 545页,2001年。视图:出版商的网站|谷歌学术搜索
9. t . s . Subashini诉Ramalingam, s . Palanivel“乳房组织密度的自动评估数字乳房x光检查,”计算机视觉和图像理解,卷114,不。1,33-43,2010页。视图:出版商的网站|谷歌学术搜索
10. 考尔金,美国Astley、j·阿斯奎斯和c .配音,“网站发生的恶性肿瘤在乳房x线照片,”诉讼的第四届国际研讨会上数字乳房x光检查(IWDM 98):Karssemeijer, m . Thijssen j .•l . van白尾海雕,Eds。奈梅亨,页279 - 282年,荷兰,1998年6月。视图:谷歌学术搜索
11. k . s . Camilus v . k . Govindan, p . s . Sathidevi“计算机辅助识别数字化乳房x光检查的胸肌,“数码影像杂志,23卷,不。5,562 - 580年,2010页。视图:出版商的网站|谷歌学术搜索
12. n .在英国戈,h·a . m . Sakim d . n . Siong m . k .锄和i . l . Shuaib“基于密度的乳房分割乳房x光检查使用基于图切割和种子区域生长技术,”第二届国际会议上计算机研究和开发(ICCRD 10),页246 - 250,吉隆坡,马来西亚,2010年5月。视图:出版商的网站|谷歌学术搜索
13. j·n·沃尔夫,“患乳腺癌的发展取决于乳腺实质的模式,”癌症,37卷,不。5,2486 - 2492年,1976页。视图:谷歌学术搜索
14. j . w . Byng n . f . Boyd e . Fishell r . a . Jongl和m . j . Yaffe”自动化分析乳腺密度。”物理学在医学和生物学第41卷。。5,909 - 923年,1996页。视图:出版商的网站|谷歌学术搜索
15. c .周H.-P。陈:Petrick et al .,“计算机图像分析:乳腺密度估计在乳房x光成像,”医学物理学,28卷,不。6,1056 - 1069年,2001页。视图:谷歌学术搜索
16. k .宝和s·辛格乳腺乳腺密度使用一个组合分类器分类模式,”《医学图像理解和分析会议(MIUA ' 02)朴茨茅斯,页177 - 180年,英国,2002年7月。视图:谷歌学术搜索
17. s . Petroudi t Kadir也和m·布雷迪”乳腺实质模式:自动分类统计的方法,”学报》第25届国际会议的IEEE在医学和生物工程协会(EMBC ' 03),1卷,第801 - 798页,2003年9月墨西哥坎昆。视图:出版商的网站|谷歌学术搜索
18. a .博世x Muoz, a·奥利弗和j .马蒂”分类建模和乳房组织密度在乳房x光成像,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR 06年),卷2,页1552 - 1558,纽约,纽约,美国,2006年6月。视图:谷歌学术搜索
19. s . Chatzistergos j . Stoitsis k . s .尼基塔和a . Papaevangelou“开发一个集成的乳房组织密度分类软件系统,”《IEEE成像系统和技术研讨会(是08年),页243 - 245,克里特岛,希腊,2008年9月。视图:出版商的网站|谷歌学术搜索
20. 答:奥利弗,j . Freixenet r·马蒂et al .,“小说乳房组织密度分类方法,”IEEE在生物医学信息技术,12卷,不。1,55 - 65、2008页。视图:出版商的网站|谷歌学术搜索
21. n . Karssemeijer“自动分类的实质在乳房x光成像模式,”物理学在医学和生物学,43卷,不。2、365 - 378年,1998页。视图:出版商的网站|谷歌学术搜索
22. Petroudi和m·布雷迪“乳腺密度分割使用纹理,”数字乳房x光检查c, s m . Astley m·布雷迪玫瑰,和r . Zwiggelaar, Eds。卷,4046在计算机科学的课堂讲稿,第615 - 609页,2006年。视图:出版商的网站|谷歌学术搜索
23. m·阿德尔m . Rasigni s Bourennane诉Juhan,“统计分割乳腺图像感兴趣的区域,“Eurasip在信号处理的发展》杂志上第49482条,卷。2007年,页1 - 8,2007。视图:出版商的网站|谷歌学术搜索
24. s . r . Aylward b . m .卷边和e·d·皮萨诺,“数字x光片显示和分析,混合建模”数字乳房x光检查:Karssemeijer m·a·o . Thijssen j·h·c·l·亨德里克•l . j·t·o·范·白尾海雕,Eds。13卷计算成像和愿景Kluwer学术,312,页305 - 1998。视图:谷歌学术搜索
25. a . El-Zaart”fibro-glandular光盘检测在乳房x光检查图像,采用技术”计算机在生物学和医学,40卷,不。4、392 - 401年,2010页。视图:出版商的网站|谷歌学术搜索
26. n .在英国戈,h·a . m . Sakim d . n . Siong m . k .锄头,“基于密度的乳房分割乳房x线照片利用图切割技术,”IEEE 10地区研讨会论文集(TENCON ' 09)2009年1月,页1 - 5、新加坡。视图:出版商的网站|谷歌学术搜索
27. n .在h·a . m . Sakim英国戈,和i . l . Shuaib”分割的乳房x光检查乳房地区基于密度:复习一下,”国际计算机科学杂志》上的问题,9卷,不。4、108 - 116年,2012页。视图:谷歌学术搜索
28. w -沃斯·d·尼克,j·里昂”分割的乳房x光检查乳房地区使用基于规则的模糊推理算法,”ICGST图形、视觉和图像处理,5卷,不。2、45 - 2005页。视图:谷歌学术搜索
29. j .乳儿,j·帕克,d .舞蹈et al .,“乳腺图像数字乳房x光检查数据库,分析社会”第二届国际研讨会上数字乳房x光检查卷,1069国际大会系列,页375 - 378,Exerpta说,1994年7月。视图:谷歌学术搜索
30. n .在h·a . m . Sakim英国戈,和i . l . Shuaib“绩效评估乳房x光检查的密度削减基于图分割技术,”信息工程与信息科学a . Abd Manaf a Zeki m . Zamani s Chuprat大肠El-Qawasmeh, Eds。卷,252通信在计算机和信息科学,第116 - 104页,2011年。视图:谷歌学术搜索
31. n .在h·a . m . Sakim英国戈,和i . l . Shuaib”图形削减技术,乳腺密度和异常检测,”IEEE-EMBS国际会议在生物医学和卫生信息学(BHI 12)2012年1月,页3615 - 3647。视图:谷歌学术搜索
32. 削减y Boykov和g . Funka-Lea”图和有效的一天图像分割,“国际计算机视觉杂志》上,卷70,不。2、109 - 131年,2006页。视图:出版商的网站|谷歌学术搜索
33. m . Wirth j . m . Fraschini里昂·d·尼克,“乳房x光检查数据库对算法性能的影响,”学报17 IEEE计算机医疗系统研讨会上(cbm ' 04)美国,页15 - 20,马里兰州贝塞斯达,2004年6月。视图:出版商的网站|谷歌学术搜索
34. f . Georgsson从乳房摄影的角度分析Umea大学计算科学系,2006年,http://www.it.uu.se/edu/course/homepage/bild1/vt06/lectures/L10VT06.pdf。
35. m·a . Wirth“凯德算法的性能评估在乳房x光检查,”最新进展在乳腺成像、乳房x光检查和计算机辅助诊断乳腺癌j . s .苏瑞和r . m . Rangayyan Eds。,pp. 640–671, SPIE Press, Bellingham, Wash, USA, 2006.视图:谷歌学术搜索
36. 美国大学的放射学,美国大学的放射学乳腺影像报告和数据系统(BIRADS),美国放射学院,莱斯顿,弗吉尼亚州,美国第四版,2003年版。
37. m . j . Yaffe“乳腺密度。乳腺密度测量。”乳腺癌研究,10卷,不。3,第209条,2008年。视图:出版商的网站|谷歌学术搜索
38. 英里和m . Shevlin估计应用回归和相关性:指导学生和研究人员出版、鼠尾草,伦敦,英国,2001年。
39. r . m . Nishikawa m . l .生姜k . Doi et al .,”效果的情况下选择计算机辅助检测方案的性能,”医学物理学,21卷,不。2、265 - 269年,1994页。视图:出版商的网站|谷歌学术搜索

版权

版权©2013 Nafiza在等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。