Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/1597
Title: Computer aided diagnosis of mammographic microcalcifications by morphology analysis
Other Titles: Αυτόματη διάγνωση μαστογραφικών μικροαποτιτανώσεων με ανάλυση μορφολογίας
Authors: Αρικίδης, Νικόλαος
Issue Date: 2009-06-10T10:52:03Z
Keywords: Μαστογραφία
Μικροαποτιτανώσεις
Keywords (translated): Mammography
Microcalcifications
Abstract: Οι μικροαποτιτανώσεις είναι από τις πιο σημαντικές ενδείξεις παθήσεων του μαστού και μπορεί να αποτελέσουν πρώιμη ένδειξη καρκίνου του μαστού. Πρόκειται για εναποθέσεις ασβεστίου στο μαστό με τη διάμετρός τους να κυμαίνεται από 0.1 έως 1 mm και εμφανίζονται είτε μόνες είτε σε ομάδες. Η ακριβής τμηματοποίηση (segmentation) των μικροαποτιτανώσεων στη μαστογραφία συνεισφέρει στην εξαγωγή αξιόπιστων χαρακτηριστικών μορφολογίας, που χρησιμοποιούνται στην αυτόματη διάγνωση με υπολογιστή (Computer-aided Diagnosis, CADx). Στα πλαίσια της παρούσης διδακτορικής διατριβής προτείνεται μία νέα μέθοδος τμηματοποίησης μικροαποτιτανώσεων, η οποία αρχικά εντοπίζει σημεία του περιγράμματος αυτών. Αυτό επιτυγχάνεται με την εφαρμογή της μεθόδου ενεργών ακτίνων (Active Rays), πολικός μετασχηματισμός ενεργών περιγραμμάτων (Active Contours), σε 8 διευθύνσεις και σε δύο κλίμακες του μετασχηματισμού κυματίων (wavelet transform) με φίλτρα Β-spline. Ακολούθως, χρησιμοποιείται μέθοδος επέκτασης περιοχής (region growing) για τον ακριβή προσδιορισμό του περιγράμματος της μικροαποτιτάνωσης. Ως κριτήριο για την αύξηση της περιοχής χρησιμοποιήθηκαν τα σημεία στο περίγραμμα της μικροαποτιτάνωσης, όπως αυτά προσδιορίσθηκαν από τη μέθοδο των ενεργών ακτίνων. Επίσης, υλοποιήθηκε μέθοδος ακτινικής βάθμωσης, η οποία έχει πρόσφατα προταθεί στη βιβλιογραφία για την τμηματοποίηση μικροαποτιτανώσεων, και χρησιμοποιήθηκε για συγκριτική αξιολόγηση. Οι δύο μέθοδοι τμηματοποίησης εφαρμόστηκαν σε 149 ομάδες μικροαποτιτανώσεων, κυρίως πλειόμορφων, που αντλήθηκαν από 130 μαστογραφικές εικόνες από τη βάση DDSM (Digital Database for Screening Mammography). Η ακρίβεια τμηματοποίησης των δύο μεθόδων αξιολογήθηκε από τρεις ακτινολόγους με χρήση 5-βάθμιας κλίμακας. Η ακρίβεια τμηματοποίησης της προτεινόμενης μεθόδου βρέθηκε ίση με 3.96±0.77, 3.97±0.80 και 3.83±0.89, όπως αξιολογήθηκε από κάθε ακτινολόγο, και 2.91±0.86, 2.10±0.94 και 2.56±0.76 για την συγκρινόμενη μέθοδο. Οι διαφορές στην ακρίβεια τμηματοποίησης των δύο μεθόδων ήταν στατιστικώς σημαντικές (Wilcoxon signed-ranks test, p<0.05). Επίσης, μελετήθηκε η επίδραση των δύο μεθόδων τμηματοποίησης στην απόδοση μεθόδου αυτόματης διάγνωσης (χαρακτηρισμό) ομάδων μικροαποτιτανώσεων με υπολογιστή. Η μέθοδος αυτόματης διάγνωσης στηρίζεται σε επιβλεπόμενη ταξινόμηση προτύπων χαρακτηριστικών σχήματος ομάδας αποτιτανώσεων. Συγκεκριμένα, χρησιμοποιήθηκε ταξινομητής ελαχίστων τετραγώνων – ελάχιστης απόστασης και εξήχθησαν χαρακτηριστικά ομοιότητας και διαφοροποίησης (variability) ομάδας μικροαποτιτανώσεων, τα οποία περιγράφουν τη μορφολογία μεμονωμένων αποτιτανώσεων (εμβαδόν, μέγιστη διάμετρος, σχετική αντίθεση). Η απόδοση ταξινόμησης αποτιμήθηκε μέσω εμβαδού καμπύλης παρατηρητών (ROC). Τα χαρακτηριστικά Εμβαδού και μέγιστης Διαμέτρου επέδειξαν σημαντικά υψηλή απόδοση ταξινόμησης (Mann-Whitney U-test, p<0.05) όταν εξήχθησαν από μικροαποτιτανώσεις τμηματοποιημένες με την προτεινόμενη μέθοδο ενεργών ακτίνων (0.82±0.06 και 0.86±0.05, αντίστοιχα). Η απόδοση ταξινόμησης χαρακτηριστικών που εξήχθησαν με μέθοδο τμηματοποίησης ακτινικής βάθμωσης ήταν 0.71±0.08 και 0.75±0.08, αντίστοιχα. Συμπερασματικά, η προτεινόμενη μέθοδος επέδειξε βελτιωμένη ακρίβεια τμηματοποίησης, εκπληρώνοντας ποιοτικά κριτήρια και ενισχύοντας την ικανότητα χαρακτηρισμού των ομάδων αποτιτανώσεων με ανάλυση μορφολογίας (μεγέθους και σχήματος) μεμονωμένων αποτιτανώσεων. Οι περιορισμοί της προτεινόμενης μεθόδου τμηματοποίησης αποδίδονται κυρίως: • Στην ανάλυση δύο κλιμάκων του μετασχηματισμού κυματίου, με αποτέλεσμα τον περιορισμό της προσαρμοστικότητας της μεθόδου σε μικροαποτιτανώσεις διαφορετικών μεγεθών. • Στην μέθοδο επέκτασης περιοχής περιοριζόμενη από σημεία περιγράμματος σε 8 διευθύνσεις. Οι περιορισμοί της αξιολόγησης της προτεινόμενης μεθόδου τμηματοποίησης αποδίδονται κυρίως: • Στην ποιοτική μόνο αξιολόγηση της ακρίβειας τμηματοποίησης, μέσω ανάλυσης παρατηρητών. • Στην χρήση περιορισμένου αριθμού χαρακτηριστικών μορφολογίας στο σύστημα αυτόματης διάγνωσης. Για την αντιμετώπιση των προαναφερθέντων περιορισμών, προτάθηκε η μέθοδος Ενεργών Περιγραμμάτων Πολλαπλών Κλιμάκων με αρχικοποίηση Ενεργών Ακτίνων στην αυτόματα επιλεγόμενη αδρή κλίμακα κυματίου. Αρχικά, χρησιμοποιήθηκε ο μετασχηματισμός συνεχούς κυματίου για την παροχή πολλαπλών κλιμάκων ανάλυσης. Στο πεδίο των πολλαπλών κλιμάκων εντοπίζεται η βέλτιστη αδρή κλίμακα (coarse scale) ανάλυσης με βάση τη μέγιστη απόκριση περιοχής μικροαποτιτάνωσης (scale-space MC signature). Στη συγκεκριμένη βέλτιστη κλίμακα απόκρισης εφαρμόζεται η μέθοδος των ενεργών ακτίνων για τον εντοπισμό σημείων του περιγράμματος της μικροαποτιτάνωσης σε 8 διευθύνσεις. Από αυτά τα σημεία ορίζεται πλήρως το περίγραμμα με χρήση μεθόδου γραμμικής παρεμβολής στη βέλτιστη κλίμακα απόκρισης. Κάθε σημείο του περιγράμματος ακολουθεί την κατεύθυνση μεγιστοποίησης της βάθμωσης εικόνας για τον καθορισμό του περιγράμματος στην βέλτιστη κλίμακα (directional Active Contour). Για την τελική εξαγωγή του περιγράμματος, οι θέσεις των σημείων του περιγράμματος επανακαθορίζονται στις κλίμακες μεγαλύτερης ακρίβειας (fine scales). Η ακρίβεια τμηματοποίησης της δεύτερης προτεινόμενης μεθόδου αξιολογήθηκε ποσοτικά με το κριτήριο επικάλυψης περιοχής. Για το σκοπό αυτό χρησιμοποιούνται τμηματοποιήσεις από ειδικευμένο ακτινολόγο. Τμηματοποιήθηκαν συνολικά 1157 μεμονωμένες μικροαποτιτανώσεις προερχόμενες από 128 ομάδες μικροαποτιτανώσεων, ψηφιοποιημένες σε ανάλυση 50μm (βάση δεδομένων DDSM). Μελετήθηκε επίσης η επίδραση της ακρίβειας τμηματοποίησης της δεύτερης προτεινόμενης μεθόδου στην απόδοση μεθόδου αυτόματης διάγνωσης ομάδων αποτιτανώσεων με βάση χαρακτηριστικά ομοιότητας και διαφοροποίησης (variability) ομάδας μικροαποτιτανώσεων, τα οποία περιγράφουν τη μορφολογία μεμονωμένων αποτιτανώσεων (εμβαδού: εμβαδόν, μέγιστη διάμετρος, σχετική αντίθεση, εκκεντρότητα, συμπαγότητα, διακύμανση ακτινικών αποστάσεων, περιοχής: ροπές 1ης και 2ης τάξης, και περιγράμματος: χαρακτηριστικό ροπής και συχνότητας). Ακολούθως, τέσσερα συστήματα αυτόματης διάγνωσης σχεδιάστηκαν βασιζόμενα στον ταξινομητή ελαχίστων τετραγώνων – ελάχιστης απόστασης και μορφολογικά χαρακτηριστικά εξήχθησαν από τις τρεις αυτόματες μεθόδους τμηματοποίησης (δύο προτεινόμενες και μία συγκρινόμενη). Η ποσοτική αξιολόγηση των προτεινόμενων μεθόδων τμηματοποίησης με χρήση δείκτη επικάλυψης περιοχής απέδειξε ότι μόνο η μέθοδος των Ενεργών Περιγραμμάτων Πολλαπλών Κλιμάκων με αρχικοποίηση Ενεργών Ακτίνων στη βέλτιστη κλίμακα ανάλυσης χαρακτηρίζεται από εξίσου υψηλή απόδοση για τις μικρού (<500μm) και μεγάλου (>500μm) μεγέθους μικροαποτιτανώσεις. Επιπλέον, ο ταξινομητής που βασίστηκε σε χαρακτηριστικά εξαγόμενα από τη βελτιστοποιημένη μέθοδο τμηματοποίησης παρουσίασε καλύτερη απόδοση ταξινόμησης (0.779±0.041) από τους ταξινομητές που βασίστηκαν σε χαρακτηριστικά εξαγόμενα από τη μέθοδο Ενεργών Ακτίνων (0.667±0.041) και τη μέθοδο ακτινικής βάθμωσης (0.670±0.044). Η απόδοση ταξινόμησης του βελτιωμένου αλγόριθμου τμηματοποίησης ήταν δε παρόμοια με την απόδοση του ταξινομητή που βασίστηκε σε χαρακτηριστικά εξαγόμενα από χειροκίνητα τμηματοποιημένες μικροαποτιτανώσεις (0.813±0.037).
Abstract (translated): Accurate segmentation of microcalcifications (MCs) in mammography is crucial for the quantification of morphologic properties by features incorporated in computer-aided diagnosis (CADx) schemes. At first, a novel segmentation method is proposed implementing active rays (polar-transformed active contours) on B-spline wavelet representation to identify microcalcification contour point estimates in a coarse-to-fine strategy at two levels of analysis. An iterative region growing method is used to delineate the final microcalcification contour curve, with pixel aggregation constrained by the microcalcification contour point estimates. A radial gradient method, representing the current state-of-the-art, was also implemented for comparative purposes. The methods were tested on a dataset consisting of 149 mainly pleomorphic microcalcification clusters originating from 130 mammograms of the DDSM database. Segmentation accuracy of both methods was evaluated by three radiologists, based on a 5-point rating scale. The radiologists’ average accuracy ratings were 3.96±0.77, 3.97±0.80 and 3.83±0.89 for the proposed method, and 2.91±0.86, 2.10±0.94 and 2.56±0.76 for the radial gradient-based method, respectively, while the differences in accuracy ratings between the two segmentation methods were statistically significant (Wilcoxon signed-ranks test, p<0.05). The effect of the two segmentation methods in the classification of benign from malignant microcalcification clusters was also investigated. A Least Square Minimum Distance (LSMD) classifier was employed based on cluster features reflecting three morphological properties of individual microcalcifications (area, length and relative contrast). Classification performance was evaluated by means of the area under ROC curve (Az). The area and length morphologic features demonstrated a statistically significant (Mann-Whitney U-test, p<0.05) higher patient-based classification performance when extracted from microcalcifications segmented by the proposed method (0.82±0.06 and 0.86±0.05, respectively), as compared to segmentation by the radial gradient-based method (0.71±0.08 and 0.75±0.08). The proposed method demonstrates improved segmentation accuracy, fulfilling human visual criteria, and enhances the ability of morphologic features to characterize microcalcification clusters. The limitations of this method could be attributed to: • Multiscale analysis restricted to two scales and ad-hoc selection of the coarsest scale of analysis, limiting the desired size-adaptation property of the proposed segmentation method. • Use of constrained region growing to delineate the final MC region to avoid discontinouities inherent to the 8-contour point estimates. • Segmentation accuracy assessed only qualitatively. • Limited morphology anaysis incorporated into the CADx framework. To overcome these limitations, a second method is introduced adaptive to coarse scale selection to initialize the segmentation algorithm, by means of scale-space signatures. Also, we suggest the analysis in the continuous wavelet transform offering a rich multiscale frame. In this framework, multiscale active contours are introduced, utilizing as initial step the previously proposed Active Rays method combined to linear interpolation, for initial contour estimation. Then, each contour point follows the direction where the gradient is maximized. MCs are finally delineated by refining each contour point position at finer scales more accurately. Segmentation accuracy is quantitatively assessed by means of the Area Overlap Measure, utilizing manual segmentation of individual MCs as ground truth, provided by expert radiologists. A total of 1157 individual MCs were segmented in a dataset of 128 MC clusters, digitized at 50μm pixel resolution. To further ensure feature reliability, features extracted from the improved segmentation method were compared (Pearson correlation) to features extracted from manual experts’ delineations. Following, four CADx schemes were implemented utilizing Least Square Minimum Distance (LSMD) classifier and morphology features extracted from the two proposed and the Radial Gradient method. Training of all classifiers was accoblished by features extracted from manually segmented MCs. Quantitative analysis indicated that Multiscale Active Contour method initialized by Active Rays (MAC-AR) had similar Area Overlap Measure performance either for small and large MCs. Furthermore, the improved method demonstrated better performance in terms of classification performance (Az=0.78), as compared to Multiscale Active Rays constrained Region Growing (MAR-RG) (Az=0.67) and the radial gradient one (Az=0.67), however, statistically similar to manual segmentation, representing the best performance (Az=0.81).
Appears in Collections:Τμήμα Ιατρικής (ΔΔ)

Files in This Item:
File Description SizeFormat 
PhD_Thesis_Arikidis.pdf2.78 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons