Ανάλυση εικόνων μαστογραφιών για την ανίχνευση των μικροαποτιτανώσεων και την κατηγοριοποίησή τους με νευρωνικά δίκτυα

Abstract

Early detection is the key to improve breast cancer prognosis and the only proven effective method for this is mammography. An early sign of 30-50% of breast cancer incidents is the appearance of clusters of fine, granular microcalcifications, while 60-80% of breast carcinomas reveal microcalcification clusters upon histological examination. The extended correlation between the appearance of microcalcification clusters and breast cancer indicates that, by exploiting computer aided diagnosis (CAD) systems for automated classification of micro calcification clusters, we can acquire a very useful and helpful tool for breast cancer control. Microcalcifications appear in a mammogram as fine, granular clusters, which are often difficult to identify in a raw mammogram. A variety of techniques have been proposed to enhance and automatically detect microcalcifications, but there are still no satisfactory, clinically acceptable results. The essence of this dissertation is to present Matching Pursuit (MP) as a powerful technique to code texture and patterns in mammograms, due to its property of analyzing and simplifying them similarly to what the human brain would do. MP is a greedy algorithm that decomposes any signal into a linear expansion of waveforms that are selected from a redundant dictionary. The choice of the dictionary is a crucial point for the performance of this algorithm for an image coding. Here we have introduced the use of Gabor atoms dictionary, which will help to code texture and patterns in images. This technique, when working with a low amount of data, has good performance and a fast decay of the coding error. The output of the MP algorithm was used as an input in a tree-layer feedforward perceptron for the classification of regions of interest (ROIs). The performance of this neural network has shown that MP algorithm is a very promising tool in mammograms' analysis as the outcome is much better than the classification performance of other conventional techniques, wavelets or statistical methods for example.

Η έγκαιρη πρόγνωση παίζει σημαντικό ρόλο στην διάγνωση του καρκίνου του μαστού. Η μόνη, αποδεδειγμένα αποτελεσματική μέθοδος για την έγκαιρη πρόγνωση είναι η μαστογραφία. Ένα πρώιμο σημάδι, στο 30-50% των περιστατικών του καρκίνου του μαστού, είναι η εμφάνιση συγκεντρώσεων Λεπτών, κοκκιωδών μικροαποτιτανώσεων, ενώ το 60-80% των καρκινωμάτων του μαστού αποκαλύπτουν την ύπαρξη μικροαποτιτανώσεων στην ιστολογική εξέταση. Η υψηλή συσχέτιση μεταξύ της εμφάνισης των συγκεντρώσεων των μικροαποτιτανώσεων και του καρκίνου του μαστού δηλώνει ότι η ανάπτυξη συστημάτων υποβοήθησης της διάγνωσης για την αυτόματη κατηγοριοποίηση των μικροαποτιτανώσεων, θα δώσει ένα χρήσιμο εργαλείο για τον έλεγχο και την καταπολέμηση του καρκίνου του μαστού. Οι μικροαποτιτανώσεις εμφανίζονται στις μαστογραφίες ως λεπτές, κοκκιώδεις συγκεντρώσεις, οι οποίες πολύ συχνά είναι δύσκολο να αναγνωριστούν, ιδιαίτερα σε αδρές μαστογραφίες. Μια πληθώρα τεχνικών έχουν προταθεί προκειμένου να τονίσουν τις μικροαποτιτανώσεις, να τις εντοπίσουν αυτόματα και να τις κατηγοριοποιήσουν, αλλά τα αποτελέσματα δεν είναι ικανοποιητικά. Ο πυρήνας της διδακτορικής διατριβής είναι να παρουσιάσει τον αλγόριθμο Matching Pursuit (ΜΡ) ως μια ισχυρή τεχνική για την κωδικοποίηση της υφής και των προτύπων στις μαστογραφίες, λόγω της ιδιότητάς του να τις αναλύει και απλοποιεί όπως ο ανθρώπινος εγκέφαλος. Ο ΜΡ είναι ένας άπληστος αλγόριθμος ο οποίος αναλύει οποιοδήποτε σήμα σε ένα γραμμικό ανάπτυγμα κυματομορφών οι οποίες επιλέγονται από ένα πλούσιο λεξικό. Η επιλογή του λεξικού είναι κρίσιμη για την απόδοση του αλγόριθμου για την κωδικοποίηση των εικόνων. Στη διδακτορική διατριβή προτείνουμε τη χρήση των ατόμων Gabor, τα οποία έχουν την ιδιότητα να κωδικοποιούν την υφή και τα πρότυπα στις εικόνες. Η τεχνική αυτή, όταν εφαρμόζεται σε λίγα δεδομένα, έχει πολύ καλή απόδοση και γρήγορη μείωση του σφάλματος κωδικοποίησης. Τα χαρακτηριστικά που εξήχθησαν από τον ΜΡ χρησιμοποιήθηκαν ως είσοδος σε ένα εμπροσθοτροφοδοτούμενο νευρωνικό δίκτυο τριών επιπέδων για την κατηγοριοποίηση των περιοχών ενδιαφέροντος. Η απόδοση του νευρωνικού δικτύου απέδειξε ότι ο αλγόριθμος ΜΡ είναι ένα πολλά υποσχόμενο εργαλείο για την ανάλυση των μαστογραφιών. Το αποτέλεσμα της κατηγοριοποίησης είναι πολύ καλύτερο από πολλές άλλες συμβατικές τεχνικές όπως είναι ο μετασχηματισμός wavelet ή οι στατιστικές μέθοδοι.