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