ΜΕΘΟ ΟΙ ΕΞΑΓΩΓΗΣ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΥΦΗΣ ΓΙΑ ΑΝΙΧΝΕΥΣΗ ΑΣΤΕΡΟΕΙ ΩΝ ΜΑΖΩΝ ΣΤΗ ΜΑΣΤΟΓΡΑΦΙΚΗ ΕΙΚΟΝΑ

Transcript

1 ΜΕΘΟ ΟΙ ΕΞΑΓΩΓΗΣ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΥΦΗΣ ΓΙΑ ΑΝΙΧΝΕΥΣΗ ΑΣΤΕΡΟΕΙ ΩΝ ΜΑΖΩΝ ΣΤΗ ΜΑΣΤΟΓΡΑΦΙΚΗ ΕΙΚΟΝΑ

2 ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή Σηµασία της µαστογραφίας Ανατοµία του µαστού Αλλοιώσεις µαστού (Αποτιτανώσεις-Μάζες) Ανασκόπηση Σκοπός της εργασίας Υλικά και Μέθοδοι είγµα µαστογραφικών εικόνων Χαρακτηριστικά εικόνας Μέθοδοι εξαγωγής χαρακτηριστικών 1 η µέθοδος: Από στατιστική 1 ης τάξης χαρακτηριστικά υφής Χαρακτηριστικά κατεύθυνσης 2 η µέθοδος: Από στατιστική 2 ης τάξης χαρακτηριστικά υφής 1 η τεχνική: Αρχικές Εικόνες και Sobel φίλτρο 2 η τεχνική: 2- Wavelet µετασχηµατισµός Αξιολόγηση της διακριτικής ικανότητας των χαρακτηριστικών Συµπεράσµατα Μελλοντικά σχέδια Βιβλιογραφία Κρυστάλλη Μαρία 2

3 Σηµασία µαστογραφίας Ο καρκίνος του µαστού αποτελεί το συχνότερο νεόπλασµα στις γυναίκες και αντιπροσωπεύει το 25% όλων των νεοπλασµάτων στο γυναικείο φύλο. Η πρώιµη διάγνωση και θεραπεία, παίζουν τον πιο καθοριστικό ρόλο στην αύξηση των πιθανοτήτων επιβίωσης. Η µαστογραφία αποτελεί την πιο αποτελεσµατική διαγνωστική µέθοδο για την έγκαιρη ανίχνευση του καρκίνου του µαστού. Η ανάλυση µαστογραφικής εικόνας ενισχύεται: Ψηφιακή ανάλυση µαστογραφικής εικόνας Ψηφιακή µαστογραφία Άλλες απεικονιστικές µέθοδοι του µαστού είναι: Υπερηχογράφηµα Μαγνητική µαστογραφία Μαστογραφία εκποµπής ποζιτρονίου Κρυστάλλη Μαρία 3

4 Ανατοµία του µαστού Ο γυναικείος µαστός αποτελείται κυρίως από λιπώδη και συνδετικό ιστό. Παρατηρούνται αλλοιώσεις του µαστού που δεν χαρακτηρίζονται πάντα ως κακοήθειες. Βασικά ανατοµικά χαρακτηριστικά του µαστού Κρυστάλλη Μαρία 4

5 Αλλοιώσεις του µαστού: Αποτιτανώσεις Μάζες Αλλοιώσεις του µαστού Αποτιτανώσεις Μάζες Είναι µικρές εναποθέσεις ασβεστίου. Μάκρο-αποτιτανώσεις Μίκρο-αποτιτανώσεις Ποικίλουν ως προς το µέγεθος, το σχήµα και την πυκνότητα. Παρουσιάζουν σηµαντική σχέση ως προς την πυκνότητα µε τον περιβάλλοντα ιστό. Κρυστάλλη Μαρία 5

6 Αλλοιώσεις του µαστού: Μάζες Μάζες Ανάλογα µε το σχήµα Στρογγυλό /σφαιρικό Οβάλ /ελλειπτικό Λοβωτό (1obulated) Ανώµαλο όταν το σχήµα µιας µάζας δεν µπορεί να χαρακτηριστεί µε κανέναν από τους παραπάνω τρόπους. Ανάλογα µε το περίγραµµα Περιγεγραµµένη (circumscribed) τα όρια µεταξύ της αλλοίωσης και του περιβάλλοντος ιστού είναι σαφώς ορισµένα. Αµυδρή (obscured) τα όρια δεν διακρίνονται καθαρά και δεν µπορεί να γίνει σίγουρη διάγνωση. Απροσδιόριστη (ill-defined) τελείως αδιάκριτα όρια. Αστεροειδής (stellate/spiculated) γραµµές περιβάλλουν κυκλικά τη µάζα, µε κατεύθυνση ακτινική. Κρυστάλλη Μαρία 6

7 Αλλοιώσεις του µαστού: Μάζες ύο από τα βασικά είδη µαζών: περιγεγραµµένη µάζα αστεροειδής µάζα Περιγεγραµµένη µάζα (αριστερά), Αστεροειδής µάζα (δεξιά) ΣΗΜΕΙΩΣΗ: Οι µάζες που είναι περισσότερο ύποπτες για κακοήθεια είναι αυτές που ανήκουν στην κατηγορία των περιγεγραµµένων και των αστεροειδών µαζών Κρυστάλλη Μαρία 7

8 Ανίχνευση και χαρακτηρισµός µαζών Πρόβληµα: υσδιάκριτες αλλοιώσεις παρουσία µαστογραφικά πυκνού παρεγχύµατος. Π.χ. Οι µάζες, είναι συνήθως πολύ µικρές σε µέγεθος ή/και έχουν χαµηλή αντίθεση λόγω ίδιου συντελεστή απορρόφησης µε το παρέγχυµα. Αποτέλεσµα: ψευδώς αρνητικές διαγνώσεις ψευδώς θετικές διαγνώσεις Κρυστάλλη Μαρία 8

9 Ανασκόπηση Κρυστάλλη Μαρία 9

10 Ανασκόπηση Κρυστάλλη Μαρία 10

11 Σκοπός της εργασίας Ο στόχος αυτής της µελέτης είναι η διαφοροποίηση αστεροειδών µαζών, που είναι ενσωµατωµένες σε πυκνό παρέγχυµα, από τον φυσιολογικό πυκνό ιστό, µε χρήση ανάλυσης εικόνας. Εξαγωγή χαρακτηριστικών υφής από στατιστική 1 ης και 2 ης τάξης καθώς και χαρακτηριστικών κατεύθυνσης. Αξιολόγηση της διακριτικής ικανότητας των χαρακτηριστικών. Σύγκριση της διακριτικής ικανότητας των χαρακτηριστικών από αρχικές και υποεικόνες µετασχηµατισµού wavelet. Κρυστάλλη Μαρία 11

12 είγµα µαστογραφικών εικόνων Αποτελείται από µαστογραφικές εικόνες (DDSM, 100µm ανάλυση και 12bits βάθος εικονοστοιχείου) που περιέχουν πυκνό φυσιολογικό ιστό και αστεροειδείς µάζες διαφορετικών µεγεθών µε λίγες έως πολλές ακτινωτές προσεκβολές 52 ROIs µε φυσιολογικό ιστό Πυκνό παρέγχυµα Ετερογενώς πυκνό παρέγχυµα 64 ROIs µε µάζες (χαµηλής αντίθεσης, υψηλός δείκτη δυσκολίας ανίχνευσης: subtlety 1,2,3 κατά DDSM) Κρυστάλλη Μαρία 12

13 Παρατηρώντας το ROI της φυσιολογικής εικόνας (a) φαίνεται ότι είναι πυκνό ROI, χαµηλής αντίθεσης όπως και το ROI της παθολογικής εικόνας (b). Συνέπεια: Υψηλός δείκτης δυσκολίας ανίχνευσης και χαρακτηρισµού αστεροειδούς µάζας. B_3058_1.RIGHT_CC B_3076_1.LEFT_MLO Παράδειγµα µάζας χαµηλής ανιχνευσιµότητας Κρυστάλλη Μαρία 13

14 Χαρακτηριστικά εικόνας Χρησιµοποιούνται για να περιγράψουν και να διαχωρίσουν αντικείµενα εικόνας. Κατηγορίες χαρακτηριστικών: Χαρακτηριστικά χώρου (spatial features) Ροπές ιστογράµµατος Χαρακτηριστικά υφής (texture features) Γεωµετρικά χαρακτηριστικά (geometrical features) Χαρακτηριστικά από µετασχηµατισµό (transform features) Στην εργασία ασχοληθήκαµε µε: Χαρακτηριστικά υφής (texture features) Από στατιστική 1 ης τάξης Mean, Std,από αρχικές εικόνες και approximations υποεικόνες (wavelet) ALOE, Stdfold, (χαρακτηριστικά κατεύθυνσης) από εικόνες φάσης (Sobel, wavelet) Από στατιστική 2 ης τάξης (Haralick [27] και R.Walker [32] ) Κρυστάλλη Μαρία 14

15 Μέθοδοι εξαγωγής χαρακτηριστικών ΑΡΧΙΚΗ ΕΙΚΟΝΑ ΕΠΙΛΟΓΗ ROI 2 ης τάξης χαρακτηριστικά Haralick [27] και R.Walker [32] Mean, Std Μετασχηµατισµός Wavelet Approximation υποεικόνες Magnitude υποεικόνες Phase υποεικόνες S o b e l Phase ALOE, Stdfold Mean, Std 2 ης τάξης χαρακτηριστικά Haralick [27] και R.Walker [32] ALOE, Stdfold Κρυστάλλη Μαρία 15

16 Από στατιστική 1 ης τάξης χαρακτηριστικά υφής (Προκύπτουν από το ιστόγραµµα αρχικών ROIs και approximation subrois) Για κάθε εικονοστοιχείο (i,j) εξάγεται ένα σύνολο από χαρακτηριστικά που είναι σχεδιασµένα να διαφοροποιούν τις µάζες (κυρίως αστεροειδείς) από τον φυσιολογικό ιστό. N(i,j): η γειτονιά γύρω από το εικονοστοιχείο από την οποία εξάγονται τα χαρακτηριστικά. Τα χαρακτηριστικά που χρησιµοποιούµε σύµφωνα µε την µέθοδο αυτή είναι: Μέση τιµή της φωτεινότητας εικονοστοιχείων f (i, j) (Mean): Όπου Κ: ο αριθµός των εικονοστοιχείων. ( i= γραµµή, j= στήλη) και f(m,n): οι χαµηλής συχνότητας wavelet συντελεστές (approximation image) στη θέση (m,n) Τυπική απόκλιση της φωτεινότητας εικονοστοιχείων (Standard Deviation): Κρυστάλλη Μαρία 16

17 Standard Deviation of Gradient-Orientation Histogram ALOE (Προκύπτει από το ιστόγραµµα της εικόνας φάσης-κατευθυντικό ιστόγραµµα) Τυπική απόκλιση ιστογράµµατος των κατευθύνσεων βάθµωσης (Standard Deviation of Gradient-Orientation Histogram) (Analysis of Local Oriented Edges ALOE) [10] θ(i,j)=arctan(d y (i,j)/ d χ (i,j)): η κατεύθυνση της βάθµωσης στο σηµείο (i,j) µε τιµές(-π/2,π/2), όπου d y (i,j) και d χ (i,j): η κάθετη και οριζόντια συνιστώσα της βάθµωσης στο σηµείο (i,j) αντίστοιχα hist ij : το ιστόγραµµα των κατευθύνσεων θ στο Ν(i,j) χρησιµοποιώντας 256 τµήµατα (bins) hist i,j (n): ο αριθµός των εικονοστοιχείων στο Ν(i,j) µε θє(-π/2+nπ/256, -π/2+(n+1)π/256), όπου n=0,1,2, 255. και : Το µέσο ύψος του ιστογράµµατος Κρυστάλλη Μαρία 17

18 Φυσική σηµασία χαρακτηριστικού ALOE (a): Κατευθύνσεις ακµών για µια αστεροειδή περιοχή και για φυσιολογική περιοχή (b): Gradient orientation histogram (c): Αντιστοίχηση προσανατολισµών E, N, W, S µε γωνίες Αστεροειδής µάζα: ακανόνιστο κέντρο που περιβάλλεται από προσεκβολές οι οποίες εκτείνονται προς όλες τις κατευθύνσεις. Φυσιολογικές περιοχές: τείνουν να έχουν παρόµοιες κατευθύνσεις βάθµωσης. Κρυστάλλη Μαρία 18

19 Παράδειγµα εξαγωγής χαρακτηριστικού ALOE Tα ιστογράµµατα κατευθύνσεων βάθµωσης (c και d) προέκυψαν από τους συντελεστές φάσης του µετασχηµατισµού wavelet στην 3η κλίµακα. Στον οριζόντιο άξονα δεν παρουσιάζουµε πλέον τους προσανατολισµούς µε τα γράµµατα E, Ν, W και S και αλλά έχει γίνει αντιστοίχησή τους µε γωνίες και µάλιστα από π έως π, τα οποία σηµειώνονται σαν -3 έως 3. Κατευθυντικά ιστογράµµατα για περιοχή φυσιολογικού ιστού (a) και αστεροειδούς µάζας (b) Κρυστάλλη Μαρία 19

20 Standard Deviation of Folded gradient orientation Stdfold (Προκύπτει από την εικόνα φάσης) Τυπική απόκλιση των αναδιπλωµένων κατευθύνσεων βάθµωσης (Standard Deviation of folded gradient orientation) Αν ΚΡ και ΚΝ: ο αριθµός των θετικών και αρνητικών κατευθύνσεων βάθµωσης στο Ν(i,j) αντίστοιχα ο µέσος όρος των θετικών και αρνητικών κατευθύνσεων ορίζεται: Και η αναδιπλωµένη κατεύθυνση βάθµωσης ορίζεται: Φυσική σηµασία του χαρακτηριστικού Stdfold Η µετατροπή από θ σε β είναι απαραίτητη για τον υπολογισµό του χαρακτηριστικού σ β που µελετάµε ώστεγιααστεροειδείςµάζες να προκύπτουν παρόµοιες τιµές. Ακόµα και αν όλα τα β περιστραφούν κατά µια γωνία α, η τιµή του χαρακτηριστικού σ β θα παραµείνει η ίδια, παρόλο που οι αναδιπλώσεις θα είναι διαφορετικές. Κρυστάλλη Μαρία 20

21 Επιστηµονικό εργαλείο επεξεργασίας εικόνων Για την εξαγωγή των προαναφερθέντων χαρακτηριστικών έγινε χρήση ενός επιστηµονικού εργαλείου το οποίο υλοποιήθηκε σε γλώσσα προγραµµατισµού C, στο Εργαστήριο Ιατρικής Φυσικής. Το περιβάλλον του εργαλείου αυτού φαίνεται παρακάτω: Κρυστάλλη Μαρία 21

22 Από στατιστική 2 ης τάξης χαρακτηριστικά υφής (Προκύπτουν από τα αρχικά ROIs και magnitude subrois) Αυτή η µέθοδος είναι βασισµένη στην εξαγωγή χαρακτηριστικών υφής σύµφωνα µε τον Haralick [27] και R.Walker [32]. Χρησιµοποιούνται κάποιοι πίνακες-µήτρες γνωστοί ως Spatial Gray Level Co-occurrence Matrices (SGLCM), οι οποίοι χαρακτηρίζουν την χωρική κατανοµή των διαβαθµίσεων του γκρι των εικονοστοιχείων σε µια εικόνα. Ο υπολογισµός των χαρακτηριστικών πραγµατοποιείται στις διευθύνσεις θ=0 ο, 45 ο, 90 ο, 135 ο και για απόσταση d=1 pixel (4 SGLCMs) 14 χαρακτηριστικά από κάθε SGLCM. Mean και range για κάθε χαρακτηριστικό. Κρυστάλλη Μαρία 22

23 Από στατιστική 2 ης τάξης χαρακτηριστικά υφής Εξάγονται τα εξής χαρακτηριστικά υφής (MATLAB) Κρυστάλλη Μαρία 23

24 Από στατιστική 2 ης τάξης χαρακτηριστικά υφής Κρυστάλλη Μαρία 24

25 1 η τεχνική Κρυστάλλη Μαρία 25

26 2 η τεχνική Κρυστάλλη Μαρία 26

27 2- Wavelet µετασχηµατισµός «Ξεχωρίζει» τις διαφορετικών ευρών ζώνης χωρικές συχνότητες και τις αναλύει µε διαφορετικό τρόπο. Προσαρµόζεται στην ανίχνευση µαζών διαφορετικού µεγέθους. Ο όρος scale=κλίµακα s, είναι το αντίστροφο µέγεθος της συχνότητας. Υποεικόνες υψηλών scales αντιστοιχούν σε χαµηλές συχνότητες, ενώ Υποεικόνες χαµηλών scales δίνουν τις λεπτοµέρειες της εικόνας. Η επεξεργασία µιας εικόνας µέσω wavelet µπορεί να ερµηνευθεί ως µια διαδικασία φιλτραρίσµατος της εικόνας. Χρήση του µετασχηµατισµού wavelet µε τα φίλτρα Mallat [26] όπου η κλίµακα s ποικίλει µόνο κατά µήκος της δυαδικής ακολουθίας 2j, jєζ και η γκαουσσιανή συνάρτηση αντικαθίσταται από την παρόµοια οµαλή κυβική συνάρτηση (cubic spline) θ(x). Τα φίλτρα αυτά προσφέρουν ακριβή ανακατασκευή εικόνας γιατί δεν χρησιµοποιούν υποδειγµατοληψία στις εικόνες και γρήγορη ταχύτητα εκτέλεσης. Κρυστάλλη Μαρία 27

28 2- Wavelet µετασχηµατισµός Η 1 η υποεικόνα περιλαµβάνει κυρίως το background της εικόνας (approximations). Αντιστοιχεί στις χαµηλότερες συχνότητες. Οι υπόλοιπες υποεικόνες αντιστοιχούν σε υψηλότερες συχνότητες και περιλαµβάνουν τις λεπτοµέρειες της εικόνας (details). Τις κάθετες, οριζόντιες ακµές, και ως προς τις δύο κατευθύνσεις ακµές, την φάση. Κρυστάλλη Μαρία 28

29 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Ησυνάρτηση που χρησιµοποιούµε για τον σκοπό αυτό είναι η TTEST. Είναι µια δόκιµη µέθοδος για την αξιολόγηση της διακριτικής ικανότητας ανεξάρτητων χαρακτηριστικών. Μέσω της στατιστικής ανάλυσης όσα χαρακτηριστικά δίνουν τιµή πιθανότητας µικρότερη του 0,05 (p-value<0,05), θεωρείται ότι µπορούν να διαχωρίσουν µάζες από φυσιολογικό ιστό αποτελεσµατικά. Κρυστάλλη Μαρία 29

30 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Ο µέσος όρος των τιµών των χαρακτηριστικών: Η µέση τιµή του χαρακτηριστικού Aloe, Std, StdFold είναι µικρότερη για τις φυσιολογικές εικόνες από την αντίστοιχη των παθολογικών. Το αντίθετο παρατηρείται για το χαρακτηριστικό Mean (χρήση ROI γειτονίας και όχι περιοχών που αντιστοιχούν σε τµηµατοποίηση του ορίου της) Κρυστάλλη Μαρία 30

31 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Mean και Standard deviation of gray level histogram (Std): διαφοροποιούν µάζες από πυκνό φυσιολογικό παρέγχυµα Το χαρακτηριστικό Standard Deviation of folded gradient orientation (Stdfold) ειδικεύεται στον διαχωρισµό spiculated µαζών από φυσιολογικό ιστό, σε συµφωνία µε τους Kegelmeyer [10] και Liu [13]. Όσο µεγαλώνει η κλίµακα τόσο καλύτερα ανταποκρίνεται το χαρακτηριστικό αυτό, δηλαδή τόσο αποτελεσµατικότερη διακριτική ικανότητα έχει. Κρυστάλλη Μαρία 31

32 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Tο χαρακτηριστικό Standard Deviation of gradient-orientation histogram (Aloe) φαίνεται να µην είναι ικανό να διαχωρίσει µάζες από φυσιολογικό ιστό. Περιοχές οµοιογενώς πυκνού φυσιολογικού ιστού (a) και αστεροειδούς µάζας (b). Κατευθυντικά ιστογράµµατά τους αντίστοιχα (c και d). Περιοχές ετερογενώς πυκνού φυσιολογικού ιστού (e) και αστεροειδούς µάζας (f). Κατευθυντικά ιστογράµµατά τους αντίστοιχα (g και h). Κρυστάλλη Μαρία 32

33 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Όσο αυξάνεται η κλίµακα περισσότερα είναι τα χαρακτηριστικά που µπορούν να διαφοροποιήσουν µάζες από φυσιολογικό πυκνό ιστό. Γιατί όπως οι µάζες και ο φυσιολογικός ιστός έχουν χαµηλής συχνότητας περιεχόµενα µε αποτέλεσµα να γίνεται η διαφοροποίηση µε µεγάλη δυσκολία. Όσο αυξάνεται η κλίµακα οι διαφορές µεταξύ των µαζών και του φυσιολογικού ιστού αρχίζουν να αποκαλύπτονται. Κρυστάλλη Μαρία 33

34 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Χαρακτηριστικά όπως Correlation, Sum Variance, Information measure of correlation 2 στις αρχικές εικόνες αλλά και σε διάφορες κλίµακες, διαφοροποιούν µάζες από φυσιολογικό ιστό, ένα αποτέλεσµα που έρχεται σε συµφωνία µε µελέτες που έχουν γίνει στην multiresolution texture analysis of breast masses [11,12]. Κρυστάλλη Μαρία 34

35 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Όσο µεγαλώνει η κλίµακα των µετασχηµατισµένων εικόνων περισσότερα είναι εκείνα τα χαρακτηριστικά των οποίων το mean και range δείχνουν ότι είναι αποτελεσµατικά στην διάκριση µαζών από φυσιολογικό ιστό. Κρυστάλλη Μαρία 35

36 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Το χαρακτηριστικό Contrast στην τέταρτη κλίµακα και το mean και το range αυτού διακρίνουν το παθολογικό από το φυσιολογικό. Μεγάλες τιµές του Contrast δηλώνουν ανοµοιογένεια, δηλαδή ένδειξη παθολογικού περιστατικού, ενώ µικρές τιµές δηλώνουν οµοιογένεια. Άλλωστε τα περιστατικά που χρησιµοποιήθηκαν σε αυτήν την εργασία είναι χαµηλής αντίθεσης και µάλιστα µε δυσκολία ανίχνευσης subtle 1,2,3 Κρυστάλλη Μαρία 36

37 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Υπάρχουν χαρακτηριστικά που µόνο στην τέταρτη κλίµακα έχουν καλή διακριτική ικανότητα, όπως για παράδειγµα το mean και range του Shade, το range του Sum Variance. Κρυστάλλη Μαρία 37

38 Συµπεράσµατα Ένα σύνολο χαρακτηριστικών µελετήθηκαν ως προς την ικανότητά τους να διαφοροποιούν αστεροειδείς µάζες από πυκνό φυσιολογικό ιστό, η οποία είναι υψηλών απαιτήσεων διαδικασία διαφοροποίησης. Από τα χαρακτηριστικά που µελετήθηκαν τα multiresolution χαρακτηριστικά έχουν αυξηµένη διακριτική ικανότητα. Κρυστάλλη Μαρία 38

39 Μελλοντικά σχέδια Αύξηση του δείγµατος και εµπλουτισµός του και µε άλλα είδη µαζών όπως είναι οι circumscribed µάζες. Θα µπορέσει να ελεγχθεί ποια χαρακτηριστικά έχουν καλύτερη διακριτική ικανότητα για οποιοδήποτε είδος µαζών. Χρήση άλλων µεθόδων για επιλογή των βέλτιστων χαρακτηριστικών (π.χ. PCA). Χρήση ταξινοµητή µε είσοδο τα χαρακτηριστικά µε την καλύτερη διακριτική ικανότητα. Θα είναι δυνατόν να γίνεται αυτόµατη εκτίµηση της πιθανότητας να πρόκειται πράγµατι για παθολογικό ή φυσιολογικό περιστατικό. Κρυστάλλη Μαρία 39

40 Βιβλιογραφία [1] Greenlee, R.T., Hill-Harmon M.B., Murray, T., and Thun, M. (2001), Cancer statistics, CA Cancer J. Clin., Vol. 51, pp [2] Heine, J., Malhotra, P. (2002), Mammographic tissue, breast cancer risk, serial image analysis and digital mammography, Acad. Radiol., Vol. 9, pp [3] Dahnert, W. (1996), Breast, Radiology Review Manual. Dahnert, W. (ed). Williams and Wilkins, Baltimore, pp [4] Costaridou, L., Skiadopoulos, S., Sakellaropoulos, P., Kalogeropoulou, C.P., Likaki, E. and Panayiotakis G. (2005), Evaluating the effect of a wavelet enhancement method in characterization of simulated lesions embedded in dense breast parenchyma, Eur. Radiol. (in press, DOI: /S ). [5] Karssemeijer, N. (2002), Detection of masses in mammograms, Image-Processing Techniques for Tumor Detection, Strickland, R.N (ed), Marcel Dekker Inc., New York, pp [6] Sahiner, B., Chan, H-P, Petrick, N., Helvie, M.A. and Goodsitt, M. (1998), Computerized characterization of masses on mammograms: The rubber band straightening transform and texture analysis, Med. Phys., Vol. 25, pp [7] Sahiner, B., Chan, H-P, Petrick, N., Helvie. M.A and Hadjiiski. L.M. (2001), Improvement of mammographic mass characterization using speculation measures and morphological features, Med. Phys., Vol. 28, pp [8] Pisano, E.D., Cole, E.B., Hemminger, B.M. et al. (2000), Image processing algorithms for digital mammography: A pictorial essay, RadioGraphics, Vol. 20, [9] Chan, H-P., Sahiner, B., Petrick, N., Hadjiiski, L. and Paquerault, S. (2005), Computer-aided diagnosis of breast cancer, Medical Image Analysis Methods, Costaridou, L. (ed), Taylor & Francis, LCC, CRC Press (in press). [10] Kegelmeyer, J., Pruneda, J.M., Bourland, P.D., Hillis, A., Riggs, M.W. and Nipper, M.L. (1994), Computer-aided mammographic screening for spiculated lesions, Radiology, Vol. 191, pp [11] Wei, D., Chan, H-P., Helvie, M.A., Sahiner, B., Petrick, N., Adler, D.D. and Goodsitt, M.M. (1995), Classification of mass and normal breast tissue on digital mammograms: Multiresolution texture analysis, Med. Phys., Vol. 22. pp [12] Wei, D., Chan, H-P., Petrick, N., Sahiner, B., Helvie, M.A., Adler, D.D. and Goodsitt, M.M. (1997), False-positive reduction technique for detection of masses on digital mammograms: Global and local multiresolution texture analysis, Med. Phys., Vol 24, pp [13] Liu, S., Babbs, C.F., and Delp, E.J. (2001), Multiresolution detection of spiculated lesions in digital mammograms, IEEE Trans. Image Proc, Vol. 10, pp [14] Petrick, N., Chan, H-P., Wei, D., Sahiner, B., Helvie, M.A. and Adler, D.D. (1996), Automated detection of breast masses on mammograms using adaptive contrast enhancement and texture classification, Med. Phys., Vol. 23, pp [15] Kobatake, H., Murakami, M, Takeo, H. and Nawano, S. (1999), Computerized detection of malignant tumors on digital mammograms, IEEE Trans. Med. Imaging, Vol. 18, pp [16] te Brake, G.M, Karrssemeijer, N. and Hendriks, J.H.C.L. (2000), An automatic method to discriminate malignant masses from normal tissue in digital mammograms, Med. Phys. Biol., Vol. 45, pp [17] Zwiggelaar, R., Parr, T.C., Schumm, J.E., Hutt, I.W., Taylor C.J., Astley, S.M. and Boggis, C.R.M. (1999), Model-based detection of spiculated lesions in mammograms, Medical Image Analysis, Vol. 3 pp [18] Christoyianni, I., Koutras, A, Dermatas, E and Kokkinakis, G. (2002), Computer aided diagnosis of breast cancers in digitized mammograms, Comp. Med. Imaging Graphics, Vol. 26, pp Κρυστάλλη Μαρία 40

41 Βιβλιογραφία [19] Costaridou, L. (2005), Softcopy display of mammograms, ECR 2005, Book of Abstracts, Eur. Radiol., Vol. 15 (Suppl. 1), pp [20] Costaridou, L., Skiadopoulos, S., Karahaliou, A., Sakellaropoulos, P. and Panayiotakis G. (2005), On the lesion specific enhancement hypothesis in mammography, Accepted for the 14th International Conference in Medical Physics, Nuremberg, Germany, September. [21] Laine, A., et al. (1994), Mammographic feature enhancement by multiscale analysis, IEEE Trans. Med. Imaging, Vol. 13, pp [22] Sakellaropoulos, P., Costaridou, L., and Panayiotakis, G. (2003), A wavelet-based spatially adaptive method for mammographic contrast enhancement, Phys. Med. Biol., Vol. 48, pp [23] Costaridou, L., Sakellaropoulos, P., Skiadopoulos, S. and Panayiotakis, G. (2005), Locally adaptive wavelet contrast enhancement, Medical Image Analysis Methods, Costaridou L. (ed), Taylor & Francis, LCC, CRC Press (in press). [24] Costaridou, L., Sakellaropoulos, P., Stefanoyiannis, A., Ungureanu, E. and Panayiotakis G. (2001), Quantifying image quality at breast periphery vs. mammary gland in mammography using wavelet analysis, Br. J. Radiol., Vol. 74, pp [25] Chang, C-M, and Laine, A. (1999), Coherence of multiscale features for enhancement of digital mammograms, IEEE Trans. Inform. Tech. Biom., Vol. 3, pp [26] Mallat, S. (1998), A Wavelet Tour of Signal Processing, Academic Press, London. [27] Haralick, R.M., Shanmugam, K., Dinstein, I. (1973), Textural features for image classification, IEEE Trans. Syst. Man. Cybern., SMC-3, pp [28] Heath, M., et al. (2000), The digital database for screening mammography, Proceedings of 5th International Workshop on Digital Mammography, Yaffe, M.J. (ed), Medical Physics Publishing, Madison, WI, [29] DDSM: Digital Database for Screening Mammography, Internet URL: [30] Sakellaropoulos, P., Costaridou, L. and Panayiotakis, G. (1999), An image visualization tool in mammography, Med. Inform., Vol. 24, pp [31] Sakellaropoulos, P., Costaridou, L. and Panayiotakis, G. (2000), Using component technologies for web based wavelet enhanced mammographic image visualization, Med. Inform., Vol. 25, pp [32] R. Walker, P. Jackway, I.D. Longstaff, Proc. 3rd Conference on Digital Image Computing: Techniques and Application DICTA95, Brisbane, Australia, 6-8th December, pp [33] Ohanian, P. and Dubes, R., (1992), Performance evaluation for four classes of textural features, Pattern Recognition, Vol. 25, No. 8, pp [34] Mallat S, Zhong S.(1992), Characterisation of signals from multiscale edges, IEEE Trans. Pat. Anal. Machine Intell., 14: [35] Strickland RN, Hahn HH. (1997) Wavelet transform methods for object detection and recovery, IEEE Trans. Med. Imaging, 6: [36] A. Laine, J. Fan, S. Schuler, A framework for contrast enhancement by dyadic wavelet analysis, Computer and Information Science department, University of Florida. [37] B. Sahiner, Chan, D. Wei, N. Petrick, (1995), Image feature selection by a genetic algorithm: Application to classification of mass and normal breast tissue, Department of Radiology, pp [38] Lena I. Costaridou, Philipos N. Sakellaropoulos, Maria A. Kristalli, Spyros G. Skiadopoulos, Anna N. Karahaliou, Ioannis S. Boniatis and George S. Panayiotakis Μultiresolution feature analysis for differentiation of breast masses from normal tissue,department of Medical Physics, University of Patras, 1stInternational Conference on Experiments/Process/System Modelling/Simulation/Optimization, 1st IC-EpsMsO, Athens, 6-9 July, 2005 Κρυστάλλη Μαρία 41

42 2 η µέθοδος: 2 ης τάξης χαρακτηριστικά υφής Παράδειγµα υπολογισµού SGLCM πινάκων Έστω µια εικόνα 4x4 µε 4 τόνους του γκρι. N g xn g είναι ο αριθµός τόνων της εικόνας. Ενώ d είναι η απόσταση µεταξύ των pixels των οποίων οι τιµές συγκρίνονται. Έστω d=1. Υπολογίζονται οι πίνακες SGLCM για θ=0 o, 45 o, 90 o, 135 o. Κρυστάλλη Μαρία 42

43 2 η µέθοδος: 2 ης τάξης χαρακτηριστικά υφής Παράδειγµα υπολογισµού SGLCM πινάκων Κάθε µια από αυτές τις µήτρες κανονικοποιείται αφού διαιρείται µε R, όπου R είναι το άθροισµα των στοιχείων κάθε µιας από τις µήτρες που προκύπτουν. Από αυτές τις µήτρες προκύπτουν χαρακτηριστικά όπως: Energy, Correlation Entropy, Inertia (contrast), Sum average κτλ. Κρυστάλλη Μαρία 43