Ανάπτυξη Μεθοδολογιών Για Την Υποβοηθούμενη Διάγνωση Συμπλεγμάτων Μικροασβεστώσεων Του Μαστού

Abstract

Στην παρούσα διδακτορική διατριβή αναπτύσσουμε μεθοδολογίες που μπορούν να χρησιμοποιηθούν σε ένα αυτόματο σύστημα υποβοηθούμενης διάγνωσης (CADx) για συμπλέγματα μικροασβεστώσεων που εντοπίζονται σε μαστογραφικές εικόνες. Οι μικροασβεστώσεις είναι μικροσκοπικά άλατα ασβεστίου που είναι πιθανόν να εντοπιστούν σε ολόκληρη την περιοχή του μαστού και η εμφάνιση τους σχετίζεται με την ανάπτυξη καρκίνου του μαστού. Η υλοποίηση του συστήματος περιλαμβάνει μία σειρά αυτόνομων σταδίων όπως την προ-επεξεργασία της εικόνας, στοχεύοντας στη βελτίωση της ποιότητάς της και στον εντοπισμό σημαντικών ανατομικών δομών του μαστού, την κατάτμηση των μικροασβεστώσεων από την αρχική εικόνα, με σκοπό την απομόνωση των ευρημάτων ενδιαφέροντος, την εξαγωγή χαρακτηριστικών περιγραφής των ευρημάτων και τέλος την επιλογή εύρωστων χαρακτηριστικών και την εφαρμογή μεθόδου ταξινόμησης ώστε να επιτευχθεί με αυτόματο τρόπο διαχωρισμός μεταξύ καλόηθων και κακόηθων ευρημάτων. Παρουσιάζουμε λοιπόν ακολουθιακά τις μεθοδολογίες που ακολουθήσαμε για την ανάπτυξη κάθε διαφορετικού σταδίου του συστήματος υποβοηθούμενης διάγνωσης. Προσεγγίσαμε πολυπλεύρως την ανάλυση ενός συμπλέγματος μικροασβεστώσεων, εξάγοντας αρχικά χαρακτηριστικά που περιγράφουν τη μορφολογία και τη φωτεινότητα των ευρημάτων, την κατανομή τους μέσα στο σύμπλεγμα, το σχήμα του συμπλέγματος και την υφή του περιβάλλοντος ιστού. Επίσης, αξιολογήθηκαν και συγκρίθηκαν διαφορετικές μέθοδοι επιλογής χαρακτηριστικών και ποικίλα σχήματα ταξινόμησης, προκειμένου να καταλήξουμε στον πιο αποδοτικό συνδυασμό που οδηγεί σε βελτιστοποίηση των επιδόσεων διαχωρισμού. Ύστερα από την ανάπτυξη όλων των αυτόνομων σταδίων του συστήματος, προχωράμε στην αξιολόγησή του με σκοπό να διερευνήσουμε την αποτελεσματικότητά του και τη δυνατότητα εφαρμογής του σε συνθήκες κλινικής πρακτικής. Για την αξιολόγηση του συστήματος χρησιμοποιήθηκαν εικόνες από πραγματικές περιπτώσεις ασθενών, αξιοποιώντας ελεύθερα διαθέσιμες βάσεις δεδομένων. Συνολικά, χρησιμοποιήσαμε 22 μαστογραφίες από τη βάση MIAS και 1715 διαφορετικές μαστογραφίες από τη βάση DDSM, εξασφαλίζοντας κατ’ αυτόν τον τρόπο αντικειμενικά αποτελέσματα, μιας και πρόκειται για το μεγαλύτερο πλήθος περιπτώσεων που έχει χρησιμοποιηθεί για την υπολογιστική διάγνωση συμπλεγμάτων μικροασβεστώσεων. Μέσα από τα υπολογιστικά πειράματα με το συγκεκριμένο σύνολο δεδομένων, οδηγούμαστε σε συμπεράσματα που αφορούν τους παράγοντες που επηρεάζουν την ανάλυση μιας μαστογραφίας, ελέγχουμε την επίδοση του συστήματος σε μαστογραφίες διαφορετικών ιδιοτήτων, συγκρίνουμε διαφορετικές ομάδες χαρακτηριστικών και εντοπίζουμε τα καλύτερα υποσύνολα για τη διάγνωση των συμπλεγμάτων, ενώ συγκρίνουμε τις επιδόσεις του συστήματος με τις επιδόσεις ακτινολόγων που εξέτασαν το ίδιο σύνολο δεδομένων. Τα αποτελέσματα είναι ενθαρρυντικά καθώς υπάρχουν υποσύνολα μαστογραφιών για τα οποία επιτυγχάνουμε υψηλές επιδόσεις διαχωρισμού (Az=0.91), ενώ υπερέχουμε στη σύγκριση έναντι των επιδόσεων των ακτινολόγων. Μάλιστα, αναλογιζόμενοι και το μεγάλο πλήθος χρησιμοποιούμενων μαστογραφιών, τα αποτελέσματα ταξινόμησης που επιτυγχάνουμε είναι και από τα υψηλότερα που αναφέρονται στη βιβλιογραφία. Αξιοποιώντας τα συγκεκριμένα αποτελέσματα, προχωράμε στη διερεύνηση δύο νέων σταδίων: το πρώτο αφορά την ενίσχυσης της αρχικής περιοχής ενδιαφέροντος στοχεύοντας στη βελτίωση της αντίθεσής της, ενώ το δεύτερο αφορά την εισαγωγή χαρακτηριστικών θέσης για την περαιτέρω περιγραφή του ευρήματος. Σχετικά με το πρώτο στάδιο, αναπτύσσονται και συγκρίνονται διαφορετικές μέθοδοι ενίσχυσης εικόνας σε υποσύνολα μαστογραφιών που περιέχουν περιπτώσεις διαφορετικής πυκνότητας μαστού και βαθμού δυσκολίας. Τα αποτελέσματα της σύγκρισης φανερώνουν πως συγκεκριμένοι παράγοντες της μαστογραφίας καθορίζουν την ανάγκη εφαρμογής διαφορετικών αλγορίθμων προκειμένου να καταλήξουμε σε βελτιστοποίηση της διαγνωστικής διαδικασίας. Όσον αφορά το δεύτερο στάδιο, αναπτύσσουμε μεθοδολογίες για τον εντοπισμό κρίσιμων ανατομικών δομών του μαστού (περιφέρεια μαστού, θωρακικός μυς, θηλή) προκειμένου να εξάγουμε χαρακτηριστικά για την περιγραφή της σχετικής θέσης του ευρήματος μέσα στο μαστό. Τα χαρακτηριστικά αυτά αξιοποιούνται περαιτέρω για την ανάπτυξη ενός μαστογραφικού άτλαντα, που παρουσιάζει περιοχές του μαστού με αυξημένη συχνότητα εμφάνισης των ευρημάτων, ενώ παράλληλα εισάγουμε τη χρήση πιθανοτικών χαρτών όπου αναδεικνύονται περιοχές με αυξημένη πιθανότητα για κακοήθεια. Οι συγκεκριμένοι χάρτες αξιοποιούνται για τη δημιουργία ενός μοντέλου που θα παρέχει εκ των προτέρων εκτίμηση της επικινδυνότητας ενός συμπλέγματος μικροασβεστώσεων σε μια νέα μαστογραφία, εξάγοντας πληροφορίες από τη σχετική θέση του συμπλέγματος μέσα στο μαστό. Στο τελευταίο λοιπόν στάδιο, αξιοποιούμε τα συμπεράσματα που έχουμε εξάγει στα προηγούμενα κεφάλαια και συνδυάζουμε τις προτεινόμενες μεθοδολογίες προκειμένου να καταλήξουμε σε ένα σενάριο χρήσης του CADx συστήματος σε συνθήκες κλινικής πρακτικής, προσομοιώνοντας την αλληλεπίδραση μεταξύ ακτινολόγων και CADx συστήματος. Το προτεινόμενο σενάριο περιλαμβάνει αξιοποίηση του CADx συστήματος, όπου όμως οι υποδείξεις του ακτινολόγου καθορίζουν την επιλογή των καταλληλότερων μεθοδολογιών για την ανάλυση της περιοχής ενδιαφέροντος. Τα μοντέλα του μαστογραφικού άτλαντα και των πιθανοτικών χαρτών αξιοποιούνται προκειμένου να εξαχθεί ένα ποσοστό επικινδυνότητας που σχετίζεται αποκλειστικά με τη θέση του ευρήματος στη μαστογραφία. Παράλληλα, υπολογίζεται ένα ποσοστό επικινδυνότητας που προκύπτει από την περιγραφή του ευρήματος σύμφωνα με το πρότυπο BIRADS, ενώ συνεκτιμάται και η ηλικία της ασθενούς που μπορεί να προσδώσει επιπλέον διαγνωστική αξία. Το προτεινόμενο σενάριο αξιολογείται σε ένα σύνολο ελέγχου 481 περιπτώσεων όπου επιτυγχάνεται τιμή διαχωρισμού μεταξύ καλόηθων και κακόηθων περιπτώσεων Az=0.861. O συνδυασμός μάλιστα της διάγνωσης του ακτινολόγου και του CADx συστήματος οδηγεί σε υψηλά επίπεδα ευαισθησίας (97.2%) και ειδικότητας (41.1%), βελτιώνοντας τις επιδόσεις των ακτινολόγων που παρατηρήθηκαν χωρίς χρήση του CADx συστήματος (ευαισθησία 93.5%, ειδικότητα 16.6%).