多视图CAD检测系统乳腺X线摄影基于案例的检测性能优化

多视图CAD检测系统乳腺X线摄影基于案例的检测性能优化

介绍

通常乳腺肿块的检测基于双视图乳腺摄影，医生在阅片是会将所有可用视图的信息组合在一起，他们比较MLO和CC视图，寻找不对称性并评估相对于先前乳房X线照片的变化（放射科医生比较两个同侧乳房X线照片视图，以决定是否存在可疑病变。），如果一个视图中的可疑区域具有与另一视图中的可疑区域相同的某些特征，则该区域是真实病变的概率较高（和单视图双侧乳腺肿块的检测不一样），出了可以检测是否是肿块，还可以检测异常（因为异常可以通过重叠腺体组织在一个投影中（部分地）模糊。）。通常，基于相对于乳头的位置和区域相似性（进行视图的配准），使用监督分类来计算一对乳腺中对应于相同的真阳性区域（TP）的可能性。本研究的目的是使用扩展的连接方法来匹配MLO和CC视图中的相应区域，以提高我们的单视图CAD系统的质量检测性能。具体来说，我们调查多视点分析如何更有效地提高基于案例的性能。为此，我们使用来自我们的链接方法的类概率和包含对应特征来研究CAD系统的学习规则的修改。之前的CAD系统可以发现CC和MLO之间的对应关系，但是基于病例的效果没有改善。提出基于病例的检测方法。致力于肿块检测和结构失真的检测。

评估方法

FROC

特色

Bootstrappingwas used for statistical analysis.

统计分析中用了自学习的方式

备注

1.论文[1] - [3]研究了MLO和CC视图中相应区域的匹配

2.一旦计算了区域对应分数，就可以融合来自两个视图的信息。[4]提出了对每个图像内的单视图和对应分数进行排序，并随后对其进行平均。

3. 在正常情况下，排名方案将不会工作得很好，因为在正常情况下分配高排名将导致许多强烈的假阳性。 最近的研究涉及基于相似特征和神经网络[5]，[6]和贝叶斯网络[7]的融合方案。 在这些研究中，获得了基于病变的检测性能的显着改善，而基于病例的性能保持相似。

4. 在这些研究中，获得了基于病变的检测性能的显着改善，而基于病例的性能保持相似。

基于病变和基于病例的检测性能的区别

5. 如果CAD在两个视图中检测到区域，则可能有一些益处，因为研究表明如果在两个视图中标记区域，则读者更可能对CAD提示进行操作。

这推动郑等人 [8]开发一个多视点CAD系统，旨在保持相同的基于病例的敏感度水平，同时增加在同侧视图上检测的质量数。 发现多视点方法将假阳性（FP）检测率降低了23.7％，同时保持了基于病例的检测灵敏度为74.4％。

6. 在本研究中，我们使用单视图检测方案，包括以下阶段：分割和预处理，可疑图像位置的初始检测，区域分割和最终单视图分类（图1）。 这些步骤已在先前的出版物[9] - [11]中详细描述。

7. 作为检测方案的第一步，乳房X线照片被分割成乳房组织，胸肌（如果图像是MLO视图）和背景区域。 背景像素通过使用阈值结合形态算子序列来分类[12]。 随后，胸部肌肉以两个步骤从乳房区域分割。第一种方法是基于使用改进的霍夫变换的直线估计，如Karssemeijer[12]所述。 然而，胸肌的边界通常略微弯曲。

因此，在第二步骤中，通过使用动态规划方法的初始估计附近的最佳路径搜索更精确地确定边界。

在这些步骤之后，应用厚度均衡算法来增强乳房的周边[13]。

8. 相同的算法用于识别径向梯度向量的模式，而不是径向刺孔，在质量损伤的中心区域产生高响应。

9. 软组织例如乳房的大的非线性变形使得配准极其困难。

10. 基于电弧的方法基于这样的想法，乳头和病变之间的距离在乳房压迫期间保持相当恒定，

这可以通过乳房X射线摄影术者从胸壁拉出乳房以便最佳定位的事实来解释。

总结

在之前的研究中发现，考虑CC和MLO之间的相关性可以提高病变的检测效率。然后给予病例水平的检测性能并没有提高，本文提出了一种基于案例的双视图结合的乳腺肿块检测方法。先设计单视图病变检测系统以及对应的分类器，然后针对不同的区域对和相关特征提出了可能的分类。对应的分类器的输出作为多视图CAD系统的输入模式的偏置选择。（说白了就是输入）。本方法用于检测恶性肿块和结构失真。实验中所使用的乳腺X线摄影图片包括4个视图，至少有一个视图包含恶性病变区域。

由于较高的假阳率，CAD系统的检测性能不及人工。

双侧视图结合降低假阳率的原因

1.放射科专家在阅片的时候会参考尽可能多的视图，他们在同侧MLO和CC视图中，（寻找不对称性以及和评估相对于先前图片的一些变化。）查找可以肿块。

2.如果两个视图中的可疑区域具有相同的某些特征，则该区域是真实病变的概率较高。

3.双视图还提高了检测异常的机