Systemy wspomagania diagnozy, czyli mammografia przyszłości 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
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 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
Ograniczenia interpretacji Subiektywizm diagnozy Zmęczenie (duża ilość danych) Brak doświadczenia Warunki zewnętrzne: złe oświetlenie itp. Błędy: Przeoczenie widocznej zmiany Niewłaściwa ocena wykrytej patologii Poziom przekłamań w diagnozie ~30-40% decyzji FP ~10% decyzji FN
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
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
CAD schemat funkcjonalny Cyfrowy obraz medyczny -Przetworzony obraz -Symbol: strzałka, gwiazdka -Wartość numeryczna: prawdopodobieństwo złośliwości Komputer Wynik wspomagania Radiolog Decyzja diagnostyczna Obraz medyczny
Cel detekcji mikrozwapnienia Drobne jasne plamki (średnica od 0.1 do 3 mm) ŁAGODNE większe, jednolite (kształt, tekstura) ZŁOŚLIWE drobne, niejednorodne, w skupiskach
Cel detekcji guzy ŁAGODNE jednolite (tekstura), regularny kształt (koliste lub owalne), dobrze odgraniczone, gładkie zarysy ZŁOŚLIWE duża gęstość, zarysy nieostre, spikule, zaburzenie architektury
CAD - algorytm Cyfrowy obraz mammograficzny Segmentacja granicy piersi Deskryptory matematyczne Wstępne przetwarzanie Ekstrakcja patologii Ekstrakcja cech Klasyfikacja 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 Wynik wspomagania Lokalizacja zmiany Prawdopodobieństwo złośliwości
Podobne w czułości, liczba fałszywych wskazań różni się Różnią się sposobem prezentacji, integracją z systemami cyfrowej mammografii, integracją z PACS Istniejące systemy CAD ImageChecker firmy R2 Technology (zatwierdzony przez FDA w 1998) SecondLook firmy icad (FDA 2002) MammoReader firmy CADx (FDA 2002) Mammex MammoCAD firmy Scanis, Eastman Kodak, Ficher Imaging icad, Hologic, GE, VuCOMP,... połączone w 2003
R2 ImageChecker Czułość detekcji mikrozwapnienia 98.3 % Czułość guzy 85.7 % Czułość całkowita 90.4 % FP / normalny przypadek (złożony z 4 obrazów) 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%.
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. (c) Anna 2003) Wróblewska
Czułość komercyjnych systemów w detekcji złośliwych zaburzeń architektury CZUŁOŚĆ Przypadek (n=27) Obraz (n=51) R2 ImageChecker 48 % 19 % 31 % 10 % FP / obraz 0.7 1.27 (Baker et al., AJR 2003; 181, 1083-1088) icad SecondLook
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
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. 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
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
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)
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
Przeglądarka mammogramów Obrazy w skali szarości Standardowe formaty z 1-, 4-, 8- bitową głębią koloru (png, jpeg, bmp, tif, pgm) Operacje z pełną dokładnością na 2- bajtowych obrazach Podgląd Okno zakres widzianych bitów
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/
Przykład: detekcja kandydatów i klasteryzacja 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
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
Wyniki wydajność detekcji Fałszywe wskazanie Czułość: blisko 80% Średnia liczba fałszywych wskazań na obraz to 3.5 Patologie dobrze wskazane
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. Subtelność - trudność rozpoznawania 1 2 3 4 5 Test automatyczny Czułość[%] 31 60 75 83 100 PVP[%] 8 7 14 14 33 Test subiektywny Czułość[%] 56 85 80 84 100 PVP[%] 12 18 17 22 36
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
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
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
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)
Plany Testy metody detekcji z zastosowaniem przetwarzania wstępnego Opracowanie metody detekcji guzów Klasyfikacja całych skupisk mikrozwapnień Współpraca MammoViewer z systemem telediagnostycznym i bazami referencyjnymi