Systemy wspomagania diagnozy, czyli mammografia przyszłości
Transkrypt
Systemy wspomagania diagnozy, czyli mammografia przyszłości
Systemy wspomagania diagnozy, czyli mammografia przyszłości Anna Wróblewska (c) Anna Wróblewska Plan prezentacji Mammografia Problemy interpretacji badań Komputerowe wspomaganie diagnozy – cel Cele detekcji – typy patologii Współczesne komercyjne systemy detekcji Metody detekcji mikrozwapnień - przegląd Nasza aplikacja – funkcjonalność Własna metoda detekcji Otrzymane wyniki Podsumowanie (c) Anna Wróblewska RMLO LMLO Mammografia Prześwietlenie piersi miękkim promieniowaniem rentgenowskim Obecnie najbardziej czuła metoda (we wczesnej detekcji raka) Możliwość wykrycia zmian bezobjawowych – mammografia skriningowa Dokładniejsza ocena charakteru zmian (c) Anna Wróblewska RCC LCC Ograniczenia interpretacji badań Nie ma jednoznacznego standardu dla określenia prawidłowego sutka Złożona struktura tkanki piersi Duże różnice w wyglądzie normalnej tkanki Często delikatna charakterystyka patologii (c) Anna Wróblewska Ograniczenia interpretacji Subiektywizm diagnozy Błędy: Zmęczenie (duża ilość danych) Brak doświadczenia Warunki zewnętrzne: złe oświetlenie itp. Przeoczenie widocznej zmiany Niewłaściwa ocena wykrytej patologii Poziom przekłamań w diagnozie ~30-40% decyzji FP ~10% decyzji FN (c) Anna Wróblewska Rozwiązanie - komputerowe wspomaganie diagnozy (CAD) Włączenie technologii komputerowej w proces interpretacji – m.in. metody modelowania i rozpoznawania wzorców, poprawy percepcji Komputerowo wspomagana diagnoza to wspieranie decyzji diagnostycznej radiologa metodami przetwarzania, analizy i rozpoznawania danych Ostateczną decyzję podejmuje lekarz, a wskazania CAD mają jedynie charakter sugestii (c) Anna Wróblewska CAD - cel Zmniejszenie liczby błędów detekcji Redukcja niewłaściwych interpretacji Obiektywizacja diagnozy Poprawa jakości obrazu Lepsza prezentacja zawartej informacji diagnostycznej Detekcja zmian potencjalnie patologicznych Klasyfikacja – oszacowanie złośliwości (c) Anna Wróblewska CAD – schemat funkcjonalny Cyfrowy obraz medyczny Komputer Wynik wspomagania -Przetworzony obraz -Symbol: strzałka, gwiazdka -Wartość numeryczna: prawdopodobieństwo złośliwości Obraz medyczny Radiolog Decyzja diagnostyczna (c) Anna Wróblewska Cel detekcji – mikrozwapnienia Drobne jasne plamki (średnica od 0.1 do 3 mm) ŁAGODNE – większe, jednolite (kształt, tekstura) ZŁOŚLIWE – drobne, niejednorodne, w skupiskach (c) Anna Wróblewska Cel detekcji – guzy ŁAGODNE – jednolite (tekstura), regularny kształt (koliste lub owalne), dobrze odgraniczone, gładkie zarysy ZŁOŚLIWE – duża gęstość, zarysy nieostre, spikule, zaburzenie (c) Anna Wróblewska architektury CAD - algorytm Cyfrowy obraz mammograficzny Segmentacja granicy piersi Wstępne przetwarzanie Ekstrakcja patologii Deskryptory matematyczne Ekstrakcja cech Klasyfikacja Wynik wspomagania •Usunięcie lub redukcja szumu i artefaktów •Usunięcie informacji diagnostycznie nieistotnej •Uwypuklenie cech istotnych dla diagnozy •Wzmocnienie lokalnego kontrastu •Selekcja ROI •‘Region growing’ •Segmentacja zmiany patologicznej •Guzy: kształt, ‘spiculation’, asymetria, gęstość •Zwapnienia: rozmiar, kontrast, cechy klastrów •Analiza dyskryminacyjna •Sieci neuronowe •Hybrydowe klasyfikatory •Lokalizacja zmiany •Prawdopodobieństwo złośliwości (c) Anna Wróblewska Istniejące systemy CAD ImageChecker firmy R2 Technology (zatwierdzony przez FDA w 1998) SecondLook firmy iCAD (FDA – 2002) połączone MammoReader firmy CADx (FDA – 2002) w 2003 Mammex MammoCAD firmy Scanis, Eastman Kodak, Ficher Imaging iCAD, Hologic, GE, VuCOMP, ... Podobne w czułości, liczba fałszywych wskazań różni się Różnią się sposobem prezentacji, integracją z systemami cyfrowej mammografii, integracją z (c) Anna Wróblewska PACS R2 ImageChecker Czułość detekcji – mikrozwapnienia Czułość – guzy Czułość całkowita FP / normalny przypadek (złożony z 4 obrazów) 98.3 % 85.7 % 90.4 % 2.0 (0.5 FP/obraz) (Burhenne LJ, et al. Radiology 2000; 215: 554-562; Castellino, et al. Radiology 2000; 217: 400) Zwiększa czułość radiologa o 23.4%. (c) Anna Wróblewska iCAD SecondLook Czułość całościowa= 92% - 96% FP/normalny przypadek = 1.6 – 2.8 (Dane z października 2003) Zwiększa czułość radiologa o 21.2% (Brem RF, et al. Improvement in sensitivity of screening mammography with computer-aided detection: A multiinstitutional trial. AJR Am J Roentgenol, 181, 687-693, Sept. 2003) (c) Anna Wróblewska Czułość komercyjnych systemów w detekcji złośliwych zaburzeń architektury CZUŁOŚĆ R2 iCAD ImageChecker SecondLook Przypadek 48 % 19 % (n=27) Obraz 31 % 10 % (n=51) FP / obraz 0.7 1.27 (Baker et al., AJR 2003; 181, 1083-1088) (c) Anna Wróblewska Systemy CAD w praktyce klinicznej W USA działa ok. 1.200 stacji wspomagania detekcji 2003 USA - ok. 8.000.000 mammogramów skriningowych było diagnozowanych przy pomocy komputerowego systemu detekcji Obecnie 25-30% badań skriningowych jest wykonywana z CAD Pierwsze systemy CAD MRI (3TP ImagingScienses, CADimas, Confirma) oraz CAD USG (Cedara B-CAD) w tym roku (c) Anna Wróblewska CAD – wyzwania Więcej studiów klinicznych (różne populacje pacjentek i radiologów) Detekcja guzów – zwiększenie czułości z zachowaniem stosunku FP/obraz Detekcja zaburzeń architektury Komputerowa detekcja klastrów mikrozwapnień jako podstawowy wskaźnik diagnostyczny Komputerowa detekcja przypadków normalnych (bez potrzeby weryfikacji przez radiologa) – ’prescreener’ Detekcja w obrazach innych modalności, np. (c) Anna Wróblewska sonografia, MRI (analiza łączona) Metody detekcji mikrozwapnień – rozwiązanie własne (MammoViewer) Cyfrowy obraz mammograficzny Wstępne przetwarzanie Wstępne przetwarzanie – digitalizacja obrazu ‘Enhancement’ Segmentacja Detekcja Ekstrakcja cech Detekcja klastrów Selekcja cech Klasyfikacja Klasyfikacja (c) Anna Wróblewska Metody uwydatnienia mikrozwapnień (MammoViewer) Eliminacja tła poprzez odejmowanie obrazu wygładzonego od oryginalnego Modelowanie zdrowej tkanki poprzez techniki fraktalne Falkowe metody usuwania szumu Usuwanie niskoczęstotliwościowych informacji Progowanie podpasm zawierającech wysokoczęstotliwościowe współczynniki falkowe (HH,HL,LH); następnie rekonstrukcja obrazu Morfologia – ‘white top-hat’, który uwypukla szczegóły obrazu Wzmacnianie oparte na sąsiedztwie - zasięg i kształt regionu dostosowuje się do lokalnej zmienności funkcji jasności (c) Anna Wróblewska Segmentacja mikrozwapnień (MammoViewer) Lokalizacja Macierz SRD (‘Surrounding region-dependance’) dla danego obszaru Filtry LoG Obliczanie wymiaru fraktalnego dla podobrazów (określającego „chropowatość” obszaru) Segmentacja Lokalne progowanie (parametry: rozmiar okna, próg) ‘Region growing’ – grupowanie pikseli o właściwościach podobnych do startowego – ’seed’ (parametry: rozmiar okna, moduł różnicy jasności pomiędzy przetwarzanym pikselem a startowym) (c) Anna Wróblewska Ekstrakcja cech (MammoViewer) Cechy pojedynczych mikrozwapnień Powierzchnia, zwartość, momenty kształtu, wyrazistość krawędzi, średni poziom jasności, lokalny kontrast, momenty geometryczne Statystyczne cechy tekstury Macierz powinowactwa (zdarzeń); ‘Gray-level run-length’; ‘Surrounding region dependence’; ‘Gray-level difference’ Wielorozdzielcze cechy tekstury Cechy falkowe, filtry Gabora Cechy klastrów mikrozwapnień Grupowanie w klastry na podstawie rozłożenia przestrzennego, morfologii; Powierzchnia, liczba mikrozwapnień, średni poziom jasności (c) Anna Wróblewska Przeglądarka mammogramów Obrazy w skali szarości Standardowe formaty z 1-, 4-, 8bitową głębią koloru (png, jpeg, bmp, tif, pgm) Operacje z pełną dokładnością na 2bajtowych obrazach Podgląd Okno – zakres widzianych bitów (c) Anna Wróblewska Przeglądarka mammogramów (MammoViewer) Filtracja przestrzenna Operatory morfologiczne Transformata falkowa Modelowanie histogramu rozkładu jasności Dodawanie własnego komentarza Linijka –wymiarowanie struktur … MS Visual Studio .NET 2003; C++ http://www.ire.pw.edu.pl/ ~awroble/ (c) Anna Wróblewska Przykład: detekcja kandydatów i klasteryzacja (c) Anna Wróblewska Malejący próg Rekonstrukcja kształtu (MammoViewer) Operacja morfologiczna ‘white top-hat’ Próg zależny od średniej i odchylenia standardowego estymowanych bezpośrednio z sąsiedztwa kandydata – centrum mikrozwapnienia Progowanie obrazu Grupowanie pikseli po segmentacji w pojedyncze obiekty Usunięcie obiektów nie wykrytych przez wielorozdzielczy detektor plamek oraz ze zdegradowanym kształtem (c) Anna Wróblewska Testy (ad hoc) Baza DDSM – zbiór 72 zdiagnozowanych obrazów o rozdzielczości 43.5 mikronów/piksel z 12-bitową głębią koloru Współpraca 2 radiologów w zakresie doboru parametrów rekonstrukcji kształtu (c) Anna Wróblewska Wyniki – wydajność detekcji Fałszywe wskazanie Czułość: blisko 80% Średnia liczba fałszywych wskazań na obraz to 3.5 Patologie dobrze wskazane (c) Anna Wróblewska Wyniki detekcji SE = TP / (TP+FN), PVP = TP / (TP+FP), gdzie TP – (‘true positives’) patologia dobrze rozpoznana, FN – (‘false negatives’) patologia nierozpoznana, FP – (‘false positives’) fałszywe wskazanie. Test automatyczny Test subiektywny Subtelność - trudność rozpoznawania 1 2 Czułość[%] 31 PVP[%] 4 5 60 75 83 100 8 7 14 14 33 Czułość[%] 56 85 80 84 100 PVP[%] 12 18 17 22 36 (c) Anna Wróblewska 3 Dyskusja - problemy Minimalizacja FP (przy zachowaniu wysokiej czułości) Łączenie klastrów Łagodne zmiany nie zostały zaznaczone w bazie Klasteryzacja na podstawie wzajemnego położenia oraz cech mikrozwapnień Znalezienie standardowej procedury oceny FP (c) Anna Wróblewska Zadania Modelowanie zmian patologicznych (analiza wielorozdzielcza, bazy skończonych wzorców 2W) Integracja w MammoViewer: normalizacja reprezentacji mammogramów (indeksacja, kompresja) + poprawa percepcji + + automatyczna diagnoza Implementacja w systemach klinicznych (Szpital Wolski, Onkologia), eksperymenty Współpraca MammoViewer z cyfrowym mammografem (Onkologia) oraz systemem telediagnostycznym i bazami referencyjnymi (c) Anna Wróblewska Konkluzje CAD zmienia sposób diagnozowania w mamografii Połączenie CAD z mammografią cyfrową i PACS w sieci ‘szpitali bez murów, bez granic’ (mammogrid) tworzy nową jakość w mammografii A few years after its market debut, CAD is still flexing its muscles and finding new ways to demonstrate its value. Breast CAD technology can not only improve detection and clinical care, but now, with the integration of digital mammography and PACS and the ability to perform MRI CAD, its value becomes even more clear. Today, CAD is a comprehensive and value-oriented solution for breast imaging facilities seeking to lead the pack. Breast CAD Comes of Age, Lisa Fratt, RSNA grudzień 2004 (c) Anna Wróblewska Dyskusja Zauważalna poprawa widoczności guzków (szczególnie spikuli) i mikrozwapnień: Radiolog potwierdził skuteczność wybranych metod wstępnego przetwarzania Problemy lokalizacji potencjalnych mikrozwapnień: minimalizacja FP – dobór progu w fazie lokalizacji zależny od gęstości i kompozycji tkanki oraz własności innych wykrytych obiektów w sąsiedztwie analizowanego kandydata. Wysoka skuteczność: zaproponowana metoda z DBSCAN osiągnęła lepsze wyniki niż metoda ze standardową klasteryzacją (30% mniej FP i bardziej dokładne kształty klastrów) (c) Anna Wróblewska Plany Testy metody detekcji z zastosowaniem przetwarzania wstępnego Opracowanie metody detekcji guzów Klasyfikacja całych skupisk mikrozwapnień Współpraca MammoViewer z systemem telediagnostycznym i bazami referencyjnymi (c) Anna Wróblewska