Ανάπτυξη ενός ευφυούς ολοκληρωμένου συστήματος υποστήριξης κλινικών αποφάσεων για την ανίχνευση βλαβών σε εικόνες μαστογραφίας

Abstract

Breast cancer remains one of the most prevalent types of cancer and a leading cause of mortality among women, despite significant advances in diagnosis and treatment. Early detection of cancerous lesions can significantly reduce mortality rates as well as substantially contribute to more effective management of the disease. However, interpreting data derived from medical imaging techniques, such as digital mammography, ultrasound, and breast magnetic resonance imaging, is a complex and error-prone process that heavily depends on the radiologist’s judgment and experience. Therefore, the development of intelligent Computer-Aided Diagnosis (CAD) systems in order to support radiologists in the decision-making process has become essential, offering more objective, faster, and accurate diagnosis. This PhD thesis aims to design, develop, and evaluate CAD systems for the detection and classification of cancerous lesions in various breast imaging modalities. Emphasis was placed on investigating different methodologies for the segmentation of regions of interest, feature extraction and selection, and the implementation of efficient classifiers for the differential diagnosis between benign and malignant lesions. The research utilized data from digital X-ray Mammography and Dynamic Contrast Enhanced Magnetic Resonance Imaging (DCE-MRI) for the development of flexible and robust diagnostic tools. An extensive literature review was initially conducted, focusing on recent research over the past decade to identify widely adopted biomedical image analysis and classification methods, as well as to evaluate the current state of CAD systems. Subsequently, anonymized imaging data were collected and organized from both publicly available online repositories and the University General Hospital of Alexandroupolis, in compliance with the national legislation regarding the protection of personal data and confidentiality. Using machine learning techniques, two distinct CAD systems were implemented: (a) one for digital mammograms, that utilized a marker-controlled watershed segmentation method, and (b) one for breast DCE-MRI images which detects the suspicious regions of interest (ROIs), taking into consideration the dynamic enhancement patterns of breast tissue across post-contrast sequential phases. System performance was assessed using standard evaluation metrics including accuracy, sensitivity, specificity, and the area under the Receiver Operating Characteristic (ROC) curve. The research findings confirm that CAD systems based on carefully selected image processing techniques and optimal machine learning algorithms can serve as reliable cognitive tools, capable of supporting radiologists in clinical environments. Furthermore, the comparative analysis identified Support Vector Machines (SVM) as the most effective classification method, achieving a sensitivity of 92,25% in the DCE-MRI system. Moreover, the study underlines the need to further enhance CAD systems through the integration of deep learning or reinforcement learning techniques. Future research should focus on developing comprehensive systems that incorporate the available electronic health records, aiming to enable personalized medical care and improve patient outcomes.

Ο καρκίνος του μαστού παραμένει ένας από τους συχνότερους τύπους καρκίνου και αποτελεί μια από τις κύριες αιτίες θανάτου στις γυναίκες, παρά την πρόοδο που έχει επιτευχθεί στη διάγνωση και τη θεραπεία του. Η έγκαιρη ανίχνευση των καρκινικών αλλοιώσεων μπορεί να μειώσει αισθητά τα επίπεδα θνησιμότητας καθώς και να συμβάλει ουσιαστικά στην αποτελεσματικότερη διαχείριση της νόσου. Ωστόσο, η ερμηνεία των δεδομένων που προέρχονται από ιατρικές απεικονιστικές μεθόδους, όπως η ψηφιακή μαστογραφία, η υπερηχογραφία και η μαγνητική τομογραφία μαστού, συνιστά μια πολύπλοκη και επιρρεπή σε σφάλματα διαδικασία, η οποία εξαρτάται σε μεγάλο βαθμό από την εμπειρία και την κρίση του εκάστοτε ακτινολόγου. Συνεπώς, η ανάπτυξη ευφυών συστημάτων υποβοηθούμενης διάγνωσης (Computer-Aided Diagnosis - CAD systems) για την υποστήριξη των ακτινολόγων στη διαδικασία λήψης αποφάσεων καθίσταται αναγκαία, προσφέροντας αντικειμενικότητα, ταχύτητα και διαγνωστική ακρίβεια. Η παρούσα διδακτορική διατριβή έχει ως στόχο τη σχεδίαση, ανάπτυξη και αξιολόγηση συστημάτων CAD για την ανίχνευση και ταξινόμηση βλαβών σε εικόνες από περιστατικά καρκίνου του μαστού. Ιδιαίτερη έμφαση δίνεται στη διερεύνηση διαφορετικών μεθοδολογικών προσεγγίσεων για την τμηματοποίηση των περιοχών ενδιαφέροντος, την εξαγωγή και επιλογή χαρακτηριστικών, καθώς και την υλοποίηση αποτελεσματικών ταξινομητών για τη διαφορική διάγνωση μεταξύ καλοήθων και κακοήθων βλαβών. Η παρούσα έρευνα αξιοποιεί δεδομένα ψηφιακής μαστογραφίας ακτινών Χ και δυναμικής μαγνητικής μαστογραφίας με σκοπό τη δημιουργία ευέλικτων και αξιόπιστων διαγνωστικών εργαλείων. Αρχικά, πραγματοποιήθηκε εκτενής βιβλιογραφική ανασκόπηση της διεθνούς ερευνητικής δραστηριότητας κατά την τελευταία δεκαετία, με σκοπό την ανεύρεση των επικρατέστερων μεθόδων ανάλυσης και ταξινόμησης βιοϊατρικών εικόνων, αλλά και τη μελέτη των υπαρχόντων CAD συστημάτων. Στη συνέχεια, ακολουθήθηκε διαδικασία συλλογής και οργάνωσης ανωνυμοποιημένων δεδομένων τόσο από διαδικτυακές πηγές ανοιχτής πρόσβασης όσο και από το Πανεπιστημιακό Γενικό Νοσοκομείο Αλεξανδρούπολης, τηρώντας την εθνική νομοθεσία σχετικά με την προστασία των προσωπικών δεδομένων και τη διατήρηση της ανωνυμίας και του απορρήτου. Ακολούθως, μέσω της υλοποίησης τεχνικών μηχανικής μάθησης, αναπτύχθηκαν δύο διακριτά συστήματα CAD: (α) ένα σύστημα για εικόνες ψηφιακής μαστογραφίας, το οποίο αξιοποιεί μια τεχνική τμηματοποίηση υδροκρίτη με χρήση δεικτών, και (β) ένα σύστημα για εικόνες δυναμικής μαγνητικής μαστογραφίας, το οποίο λαμβάνει υπόψη τα πρότυπα ενίσχυσης των μαστικών ιστών σε διαδοχικές χρονικές φάσεις μετά τη χορήγηση του σκιαγραφικού, προκειμένου να ανιχνεύσει τις ύποπτες περιοχές ενδιαφέροντος. Η απόδοση των συστημάτων αξιολογήθηκε με τη χρήση μετρικών ακρίβειας, ευαισθησίας, ειδικότητας, καθώς και του εμβαδού κάτω από την καμπύλη Receiver Operating Characteristic (ROC). Τα αποτελέσματα της παρούσας ερευνητικής εργασίας επιβεβαιώνουν ότι η ανάπτυξη CAD συστημάτων με προσεκτικά επιλεγμένες μεθόδους επεξεργασίας εικόνας και κατάλληλους αλγορίθμους μηχανικής μάθησης, μπορεί να οδηγήσει στη δημιουργία αξιόπιστων γνωσιακών εργαλείων για την υποστήριξη των κλινικών αποφάσεων των ακτινολόγων σε πραγματικά κλινικά περιβάλλοντα. Επιπροσθέτως, η συγκριτική αξιολόγηση ανέδειξε τον SVM ως την πιο αποδοτική μέθοδο ταξινόμησης, με ευαισθησία της τάξης του 92.25% για το σύστημα δυναμικής μαγνητικής μαστογραφίας. Επιπλέον, υπογραμμίζεται η ανάγκη επέκτασης των CAD συστημάτων, μέσω της ενσωμάτωσης τεχνικών βαθιάς ή ενισχυτικής μάθησης. Τέλος, στο πλαίσιο της μελλοντικής έρευνας κρίνεται σημαντική η δημιουργία ολοκληρωμένων συστημάτων που επιτρέπουν την αξιοποίηση των διαθέσιμων ηλεκτρονικών μητρώων υγείας, με στόχο την επίτευξη εξατομικευμένης ιατρικής περίθαλψης.