可行性评估使用计算机辅助基于纹理分析的工具参数的图像可疑病变DCE-MR乳房x光检查

文摘

我们的目的是分析计算机辅助恶性肿瘤的可行性检测使用传统的纹理分析应用于pseudoimages two-compartment-based参数的动态对比增强磁共振(DCE-MR)乳腺图像数据。本研究的主要贡献是穿过平面评估能力。纹理分析是进行two-compartment-based伪DCE-MRI的图像数据集的乳房八个科目的数据。由此产生的伪图像纹理参数输入前馈神经网络分类系统,使用手动分割主要放射学家作为金标准,每个立体像素被分配为恶性或良性的。分类结果与第二个放射科医师的病变手动分割。结果表明,意味着真正积极的分数(锥度英尺)和假阳性分数(基维辛迪)分类器的性能与主要放射学家统计好第二个放射科医生的平均锥度英尺和基维辛迪性能主要与放射科医生使用一个示例的置信区间为95%以及与。在实验上实现所有的八个主题,所有恶性肿瘤的主要放射学家被计算机分类器分类是恶性。我们的研究结果表明,神经网络分类使用two-compartment-based参数的结构参数进行自动筛选伪DCE-MRI作为输入的图像数据可以支持工具的放射科医生preassessment舞台展示可能癌变区域和postassessment阶段审核分割在分析复杂DCE-MRI情况下尤其如此。

1。介绍

动态对比增强磁共振成像(DCE-MRI)已成为一个重要的评估成像方法在肿瘤微循环1]。成为一个有能力的非侵入性方法来监测治疗的肿瘤反应;然而,当前的实践需要放射科医生手动识别和段肿瘤的成像数据。常用的方法来识别肿瘤DCE-MR图像局部拟合得到的参数是基于pseudoimages time-intensity曲线两个隔间交换模型对比剂浓度(2)或使用三个时间点的方法(3]。这些方法非常繁琐,耗费时间,容易内部和interobserver变异。

纹理分析是应用于医学影像几个应用程序。Tourassi描述图像纹理分析的作用在医学影像领域(4]。Lerski等人纹理分析MRI用于组织特征和分割的大脑组织(5]。Kovalev等人与多维对象识别和匹配的方法实现同现矩阵计算(6- - - - - -8]。吉布斯和特恩布尔先生cooccurrence-based纹理工具用于postcontrast乳腺图像,显示有一个不同的空间立体像素强度变化之间的良性和恶性病变(9]。

神经网络被广泛用于图像分类(10]。之前一些神经网络分类的例子在核磁共振方法简要介绍。Vergnaghi等人使用了一种人工神经网络自动分类增强曲线为良性或恶性11]。在埃博拉病毒病等人描述了voxel-by-voxel神经网络分类器的性能定量方法相比的讯号特征曲线收购DCE-MR乳房x光检查(12- - - - - -14]。Tzacheva等人提出的神经网络分类器实现这段恶性组织使用静态postcontrast t1加权图像作为输入(15]。萨博等人实现了一个基于人工神经网络(ANN)——DCE-MRI的分割方法相比,乳腺癌和定量和实证参数映射技术来测试动力学的区别的能力,形态,结合功能(16,17]。Twellmann等人介绍了一个模范自由神经网络分类器,他建议的改善可能实现使用纹理特性(18]。

提出了一种计算机辅助诊断(CAD)工具基于统计纹理voxel-by-voxel pseudoimages分析当地产生的曲线拟合参数的两个舱交换模型。纹理处理是基于统计方法最初提出的Haralick et al。19]。我们描述本文的CAD工具是texture-based分类器使用two-compartment-based DCE-MRI乳房数据集。吉布斯和特恩布尔的研究相比,这里的工作报道关注的参数pseudoimages源自两舱制模型的曲线拟合,从最初的核磁共振数据集。分类结果图像的texture-based分析工具得到使用的人工神经网络训练数据的放射科医生。

2。材料和方法

2.1。数据采集

对比剂的两舱制模型交换是这里介绍的基础工作20.]。在这个模型中,主室代表血管内的空间,与血管外的空间二次室(细胞外)。通常两舱制模型的特点是以下参数。一阶速率常数的转移从主(血管)舱二级(没有血管的细胞外)。反方向的速率常数。注射对比剂的流量,一阶的消除速率常数对比剂从主舱。峰值强度达到了对于一个给定的体素在DCE-MRI收购的时间进程。

确定体素代表恶性组织,放射科医生依靠房地产,恶性肿瘤组织中微血管比平时更频繁和多孔。这种差异反映在当地的参数值,所使用的,它是读者从彩色像素点和区域标记为恶性pseudoimages合并范围的这些地方的参数值(2]。由于这些参数是用于人类的分类,我们集中在这三个参数的空间统计纹理分析的CAD工具的发展。

在这项研究中,每个pseudoimage数据集由64片堆六次样本图像。图像获取作为一组冠状切片使用1.5 T MRI扫描(Magnetom视野;西门子、德国埃朗根)和细胞外Gd-chelate造影剂剂量的0.2毫升/公斤体重为一个常数丸注入持续7秒。使用动态t1加权梯度回波序列(TR = 8.1毫秒,TE = 4.0毫秒,翻转角度= 20度),64年冠状切片生产由每个薄片像素,一个有效的切片厚度2.5毫米,和视野毫米²。六个不同的时间点,一个卷数据集收购。第一卷数据集是基线强度,以下5个120秒分开进行体积扫描监控汇率和造影剂的消除。DCE-MR图像获得的时间分辨率小于15秒已被证明严重低估了药代动力学参数。先生的使用时间序列图像,time-intensity曲线在DCE-MRI每体素构造数据集和匹配曲线代表的两舱制交换模型对比剂使用曲线拟合的算法描述在文献[2]。对于每个DCE-MRI案例,我们三个独立计算参数pseudoimage集,一个,一个用于,另一个用于。方法的流程图开始建设的这些参数pseudoimage集在图描述1。

2.2。放射科医师评估的主题

两个放射科医生分析了图像。主放射科医生作为黄金标准,和第二个放射科医师是用于观测的放射科医生评估和比较这些差异与计算机分类器之间的差异和主要的放射科医师。图片是使用一个药代动力学two-compartment-based分析软件工具在IDL中实现(美国科罗拉多州博尔德交互式数据语言)。药代动力学参数估计和是颜色和叠加precontrast先生的形象。放射科医生然后手动分割病变使用鼠标。尽管一些病变的恶性和良性的组件(21,22),标记为恶性或良性病变。

2.3。统计同现分析

基于同现的纹理分析的一般方法是检查像素的信号值与另一个特别的配置。这种方法首先假设我们正在观察一个图像的特定子集,比如扫描感兴趣的体积(SVOI)。联合直方图可能由一个矩阵描述发生的相对频率,描述频率两个像素,灰色的水平和出现在窗口隔开一段距离(棋盘测距)在一个给定的方向角(23,24]。这个矩阵被称为同现矩阵。在我们的研究中,我们使用的距离和角度三个主要方向在三维笛卡尔坐标系统的原始图像数据。在我们的方法中,我们使用当地的价值观,,代替原来的灰色的水平先生的形象。

单独2-variable (2 v)同现矩阵的每个参数是由使用统计共存纹理分析。分析是基于三维(3 d) SVOIs。的维数SVOI用于这项研究,穿过平面方向的长度越短。的窗口是通过每组pseudoimages光栅扫描在三维笛卡尔坐标系统和光栅扫描的每一步,同现矩阵是由观察相对邻近像素点的参数在给定方向SVOI的当前位置。

2 v的形成规范化的同现矩阵后,为每个DCE模型参数我们计算十类型的统计特性描述Haralick et al。(19]:角二阶矩、相关、对比度、逆不同时刻,方差和平均值,方差,方差和熵,熵和区别。差熵并不是用于我们的实验由于其相似性和熵。最大相关系数参数也不是用于我们的实验,因为他们涉及奇异值分解可以计算不稳定,如果同现矩阵是病态的。信息相关性度量被排除在我们的使用参数集。尽管他们有一些可取的属性不包含在矩形相关参数,这些参数没有改善结果。计算统计属性的值被分配到当前的空间位置SVOI的重心。以这种方式,我们建造十个新的参数pseudoimage每个DCE-MRI情况下的药代动力学参数相关的数据集(共30个新pseudoimage数据集)。包括纹理属性为每个单独的三个基本方向通过三维空间,我们计算90年当地3 d纹理属性的集合pseudoimages为每个主题。因为使用的数据的大小和执行时间合理,我们使用一个分布式和并行环境中间件、图像处理的网格(IP4G)已经开发了图像分析应用程序在网格环境中(25]。

2.4。神经网络分类器

计算机分类中,我们使用一个voxelwise前馈神经网络分类器与purelin使用90种不同的重建纹理属性pseudoimages作为人工神经网络的输入。神经网络分类器是基于结构参数的加权组合输入最小均方误差(MSE)。训练集是由体素的形象片的一个子集训练集的选择。这种加权和应用于测试设备由剩下的体素pseudoimage片选的训练集和所有体素的其他形象片。神经网络有一个隐藏层神经元有15和一个输出层神经元有1。使用一个隐藏层给最好的结果。

八个主题由病理证实被用于这项研究。六个科目(A、C、D, F, G, H) IDC乳房肿瘤,和两个受试者良性病变(B, E)。在实验中六个形象片从三个主题(主题B, C, D)被用来构造训练集。选择一个以这种方式训练集包括肿瘤类型的混合物。

在训练集生成,实质组织和组织主要标记为良性或恶性的放射科医生。首先,一半的体素的恶性或良性组织的初级放射科医师了,和这些像素点的坐标是分配给训练集。然后,相同数量的像素点是随机从身体组织。这些随机选择像素点的坐标也分配到训练集,验证体素的集合选择以同样的方式作为神经网络的训练集,防止过度训练。一半的体素为训练集被分配到挑选验证集,和那些选择体素被排除在训练集。在我们的实验中,有1129个像素点的训练集和验证集。选择1128像素点相似的人群在两个类是一种常见的策略训练人工神经网络分类器,使得计算机神经网络分类器来理解不同类型的组织。

研究癌变区域的主要放射学家被用作地面真理评估voxelwise真阳性,假阳性,真正的底片,假阴性比较第二个放射科医生与计算机分类器的性能相对于地面的真相。在这个比较中,体素用于训练集被淘汰的报道比较结果,以避免偏见。对于每个体素研究,神经网络产生一个输出从0到1,这是阈值划分体素内容为恶性或良性的。阈值是不同的观察voxelwise假阳性,阳性,假阴性,和真正的底片,生成分类器的散点图。我们的实验中使用的阈值水平分别为39%,49%,59%,69%,78%,88%,98%。

2.5。比较计算机分类器的性能和第二个放射科医师

统计比较的结果分类器和第二个放射科医生是由成对的一个示例以及所述Rosner [26]。应用两种不同的测试,第一次测试相比真阳性分数(锥度英尺)的计算机分类器和第二个放射科医生,和第二个测试比较了假阳性分数(基维辛迪表演的计算机分类器和第二个放射科医师。为了执行一个配对的测试中,我们形成了一个不同锥度英尺向量基维辛迪和差别向量。向量的区别是由减去锥度英尺(基维辛迪结果第二放射科医师的锥度英尺(基维辛迪结果的计算机分类器为每个主题。由于神经网络分类器输出结果使用不同的阈值水平,每个阈值水平测试申请。对于每个测试,一个零假设造成的均值差异锥度英尺(基维辛迪)向量在统计学上不同于0 95%的置信区间内使用。这个零假设旨在测试统计的结果平等第二放射学家和计算机分类器在一个置信区间。

3所示。结果

图2显示了一个散点图比较计算机分类器的性能和第二个放射科医师。情节表明计算机分类器可以获得至少一样好真阳性分数(锥度英尺)性能类似的假阳性的第二放射分数(基维辛迪)值。

阈值的59%给整体锥度英尺0.7786和0.0042整体基维辛迪。使用阈值为69%,我们获得一个整体锥度英尺0.6336和0.0020的整体基维辛迪价值的价值。这一研究获得的结果使用两种阈值水平的59%和69%给第二个放射科医师可比的结果有一个整体的锥度英尺0.7350和0.0018的整体基维辛迪价值的价值。零假设为锥度英尺和基维辛迪测试比较了统计学意义被拒绝在使用阈值的59%和69%置信区间为95%。

图3显示了一个比较计算机分类器和第二放射学家的实验主题D使用阈值的69%。图3(一个)比较计算机分类器与主放射科医师,而图3 (b)比较第二个放射科医生和初级放射科医师。在图3(一个),我们可以看到一些乳房内的静脉被归类为恶性组织。

图4显示了实验上实现主题的结果在图4(一)、计算机分类器性能相比基地放射科医生使用显示69%的阈值水平。病人的分类器也贴上一些运动工件边缘的恶性乳腺组织。图4 (b)显示了一个重大决定差异发生在放射科医生之间。片被认为是恶性的病变组织的基地放射科医师;然而,第二个放射科医生被认为是良性的。分歧的图背后的主要原因4 (b)穿过平面评估的难度。

4所示。讨论

的拒绝零假设的结果是显著的,我们可以得出结论,与第二个放射科医生相比,使用阈值水平的59%和69%,计算机分类器有锥度英尺和基维辛迪平均值在八个科目不能统计区别第二放射科医生使用一个示例在95%的置信区间以及。

分类器的主要优点是能够包括所有可能的恶性病变成像中的体积。大多数分类器和基础放射科医师之间的矛盾发生在病变的边界。电脑没有错过一个恶性肿瘤,因为SVOI,集群的适当的组合,,恶性特征的组织。因此,这个工具可以用来集中读者注意潜在的恶性地区放射科医生可以用专业知识来决定适当的分类(恶性或良性)的质量和重画感兴趣的区域(ROI),如果必要的。

段的显示病变似乎很简单,增强可能会提出一个简单的阈值;然而,这个建议不是很合适,因为在DCE-MR图像序列,病人运动产生的变化体素值可能包含在阈值段。因此,当务之急是恶性组织的动力学模型。

计算机分类标签静脉,有时病人运动,像恶性组织和其他构件,但可以通过改变阈值水平调整神经网络的输出。增加神经网络输出的阈值水平降低了工件;然而,它也能减少探测器的数量正确归类为恶性特别是边界。

使用3 d SVOI,我们的CAD工具使用穿过平面信息除了平面信息。放射科医生精神连接穿过平面信息;因此,他们的评估主要是基于2 d冠信息。我们已经介绍了我们的CAD三维评估工具可以帮助放射科医生识别出平面肿瘤之间的连接片。

纹理分析,而不是分析postcontrast图像作为先生先前的研究报告摘要,我们专注于DCE-MR参数pseudoimages基于两舱制模型允许我们研究的动态组织。统计图像纹理分析的应用进行分类建模参数的本地数据已经在医学影像文献未见报道。我们使用前馈神经网络和Twellmann建议(20.),我们使用纹理特征进行分类。

总之,在这篇文章中,我们已经表明,使用统计纹理分析参数图像可以作为CAD工具,可以用来更好的促进从DCE-MRI定量评价肿瘤。

引用

1. m . v . Knopp f . l . Giesel h·马科斯,h·冯·Tengg-Kobligk和p . Choyke“动态对比增强磁共振成像在肿瘤学,”主题在磁共振成像,12卷,不。4、301 - 308年,2001页。视图:出版商的网站|谷歌学术搜索
2. m . v . Knopp e . Weiss惠普Sinn et al .,“乳房肿瘤,病理生理的对比度增强的基础”磁共振成像杂志》上,10卷,第266 - 260页,1999年。视图:谷歌学术搜索
3. c . Varini a作治疗,t·w·Nattkemper”DCE-MRI乳房肿瘤的组织学特征维度数据减少,”2006年医学成像学报学报》,2006年2月。视图:出版商的网站|谷歌学术搜索
4. Tourassi gdp,“通往计算机辅助诊断:图像纹理分析的作用,“放射学卷,213年,第320 - 317页,1999年。视图:谷歌学术搜索
5. r . a . Lerski k·斯特劳恩,l . r . Schad d·博伊斯s Bluml,对此,“八世。图像纹理analysis-an组织表征方法,先生”磁共振成像,11卷,不。6,873 - 887年,1993页。视图:出版商的网站|谷歌学术搜索
6. 诉Kovalev和m . Petrou”多维对象识别和匹配,同现矩阵”图形模型和图像处理,卷。58岁的没有。3、187 - 197年,1996页。视图:出版商的网站|谷歌学术搜索
7. 和y s . v . a . Kovalev m . Petrou Bondar,“结构各向异性三维图像,”IEEE图像处理,8卷,不。3、346 - 360年,1999页。视图:谷歌学术搜索
8. v . a . Kovalev f . Kruggel h·j·格茨和d·y·冯·Cramon“MRI大脑的三维纹理分析的数据集,”IEEE医学成像,20卷,不。5,424 - 433年,2001页。视图:出版商的网站|谷歌学术搜索
9. p·吉布斯和l·w·特恩布尔”结构的分析对比增强乳房的图片,“磁共振医学,50卷,第98 - 92页,2003年。视图:谷歌学术搜索
10. j·c·普林西比、n . r . Euliano和w . c . Lefebvre通过模拟神经和自适应系统:基本面约翰•威利& Sons 2000。
11. d . Vergnaghi A蒙蒂、大肠Setti和r . Musumeci”使用神经网络评估乳腺癌磁共振图像中对比度增强曲线,“数码影像杂志,14卷,不。2,补充1,58-59,2001页。视图:谷歌学术搜索
12. r·e·a·在埃博拉病毒病、m . v . Knopp和g .白利”讯号从动态曲线,乳房x光检查分类神经网络,”磁共振成像,19卷,不。1,51-57,2001页。视图:出版商的网站|谷歌学术搜索
13. r在埃博拉病毒病、美国Delorme)和g .白利“神经网络分割的动态乳腺图像,先生”磁共振成像,20卷,不。2、147 - 154年,2002页。视图:出版商的网站|谷歌学术搜索
14. r·e·a·在埃博拉病毒病,s . Delorme j .黑et al .,“分类讯号曲线获得的动态磁共振乳房x光检查:统计比较的量化方法,”调查放射学,40卷,不。7,442 - 447年,2005页。视图:出版商的网站|谷歌学术搜索
15. 答:a . Tzacheva k Najarian, j . p .布若克韦”乳腺癌检测gadolinium-enhanced mr图像的静态区域描述符和神经网络,”磁共振成像杂志》上,17卷,不。3、337 - 342年,2003页。视图:出版商的网站|谷歌学术搜索
16. b·k·萨博,p . Aspelin和m . k . Wiberg“神经网络方法动态磁共振图像的分割和分类的乳房:经验与定量动力学参数”放射学学术,11卷,不。12日,第1354 - 1344页,2004年。视图:出版商的网站|谷歌学术搜索
17. b·k·萨博m . k . Wiberg b .骨和p . Aspelin”应用人工神经网络分析的动态乳房的成像特性,先生”欧洲放射学,14卷,不。7,1217 - 1225年,2004页。视图:谷歌学术搜索
18. t . Twellmann o . Lichte, t·w·Nattkemper“模范自由的自适应组织表征网络的可视化动态对比增强磁共振图像数据,”IEEE医学成像,24卷,不。10日,1256 - 1266年,2005页。视图:出版商的网站|谷歌学术搜索
19. r . m . Haralick k Shanmugam,汀斯坦,”纹理特征的图像分类,“IEEE系统,人,控制论,3卷,第621 - 610页,1973年。视图:谷歌学术搜索
20. g .白利w . Semmler r .港口,l . r . Schad g层,和w·j·洛伦茨,“药代动力学参数在CNS Gd-DTPA增强成像,先生”计算机辅助断层扫描杂志》上,15卷,不。4、621 - 628年,1991页。视图:谷歌学术搜索
21. c·k·库尔·Mielcareck s Klaschik et al .,“动态乳房成像先生:信号强度时间进程数据用于增强病变的鉴别诊断?”放射学,卷211,不。1,第110 - 101页,1999。视图:谷歌学术搜索
22. d·柯林斯和a . Padhani“动态肿瘤灌注磁共振成像:方法和生物医学的挑战,”IEEE,生物医学工程杂志,第83 - 65页,2004年。视图:谷歌学术搜索
23. 诉Sonka、m . Hlavac和r·博伊尔图像处理、分析与机器视觉PWS出版社,第二版,1999年版。
24. r·w·康纳斯和c·A·哈洛”理论比较纹理算法”,IEEE模式分析与机器智能,2卷,第222 - 204页,1980年。视图:谷歌学术搜索
25. 黑斯廷斯,t . Kurc s Langella Catalyurek, t .锅和j·萨尔兹,“图像处理网格:构建网格的图像处理应用程序工具包,”学报》第三届国际研讨会集群计算和网格(CCGRID ' 03),36页,2003年。视图:谷歌学术搜索
26. b . Rosner生物统计学基础克斯伯里,,汤姆森学习质量,美国,第五版,2000年版。

版权

版权©2013年穆罕默德Cemil羽衣甘蓝等。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。