AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS

Transcrição

1 AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada com câncer de mama no mundo 1 milhão de casos por ano Densidade mamográfica Importante indicador de risco de câncer de mama Potencial para ser usado para predição de risco de câncer de mama 1

2 Introdução Computer aided detection (CAD) Aumenta a detecção de câncer de mama precoce, especialmente aqueles em mulheres com tecido mamário denso Muitas abordagens utilizam a mamografia de toda a mama, incluindo o músculo peitoral, para extrair características. Abordagem proposta Análise apenas da região de interesse A região de interesse é restrita ao tecido da mama Eliminação de artefatos, fundo e o músculo peitoral Abordagem proposta 2

3 Artefatos Definição Qualquer variação na densidade mamográfica que não seja causada por diferenças de atenuação na mama Causas dos artefatos Película húmida Técnico (manuseio impróprio do filme, uso indevido da unidade de mamografia etc) A unidade de mamografia O paciente (movimento, jóias, partes do corpo, vestuário, dispositivos médicos implantados etc) Etiquetas de identificação do paciente/exame Artefatos Exemplos de artefatos 3

4 Remoção dos Artefatos Algoritmo baseado em componente conexos é usado remover os artefatos Passo a passo Construção do histograma de intensidades Definição de um limiar utilizado para extrair a imagem do fundo Recuperar a maior região, contendo a mama e músculo peitoral Remoção dos Artefatos Histograma: 3 diferentes regiões de interesse fundo (à esquerda) tecido de interesse (meio) anotações e musculatura (à direita). 4

5 Remoção dos Artefatos Uso de threshold para remover o fundo Valor do threshold é determinado usando o mínimo valor entre os dois picos mais importantes (fundo e tecido) Algoritmo Connected component labeling é usado para recuperar a maior região (tecido + musculatura) Remoção dos Artefatos (a) Imagem original (b) Limiarização (c) Componentes conexas (d) Imagem binária sem artefatos (e) Imagem sem artefatos 5

6 Músculo peitoral Região de densidade predominante nas mamografias Sua inclusão pode afetar os resultados de métodos baseados na detecção de densidades da mama Processo de extração de características é afetado se a região processados não está bem focalizado Parênquima mamográfico e região peitoral pode ter características de textura semelhantes, causando um elevado número de falsos positivos A imagem da mamografia é segmentada para eliminar as áreas não mama, em especial, o músculo peitoral 6

7 1º passo: Filtragem mediana Poderosa na remoção de ruído Janela de 11 x 11 pixels 2º passo: normalização Evita diferenças de brilho entre as mamografias da esquerda e da direita Uso de um intervalo fixo de intensidades O músculo peitoral: região opaca, nem muito preto, nem muito branco. Valores são mapeados no intervalo r 1 =60 e r 2 =210 (definidos experimentalmente) 3º passo: limiarização Músculo peitoral: região triangular brilhante no canto imagem Uso do ótimo global como o valor limiar 4º passo: dilatação É aplicada à imagem binária para preencher as lacunas 5º passo: localização do músculo peitoral Dependendo da visualização da imagem, ele estará no canto superior esquerdo ou direito Pesquisa por pixels diferentes de zero é feita simultaneamente de ambos os cantos A posição da ocorrência do primeiro pixel não-zero é armazenada 7

8 6º passo: detecção de componentes conexas Aplicado à imagem binária dilatada Conectividade de 8 pixels 7º passo: extração da região peitoral Uso da posição obtida no 5º passo Todos os pixels com o mesmo rótulo recebem o mesmo valor de intensidade do pixel do 5º passo Mamografia original sem musculatura peitoral é reproduzida (a) Imagem original (b) Filtragem mediana (c) Imagem normalizada (d) Limiarização (e) Imagem rotulada (f) Região peitoral (g) Mamografia original com peitoral suprimido 8

9 Extração de características Parte importante do aprendizado supervisionado e classificação Características de textura e características estatísticas têm mais importância na área de reconhecimento de padrões Nesse tipo de imagens, as características estatísticas são consideradas mais úteis para fazer a classificação Após o pré-processamento, apenas a região da mama é considerada para extrair as características Características extraídas Média, desvio padrão, suavidade (smoothness), terceiro momento, uniformidade, entropia e outros Classificação Uso de máquinas de vetores de suporte (SVM) Todos os atributos foram normalizados primeiro entre -1 e +1 para que o classificador ter um intervalo comum para trabalhar. Base de mamografia digital usada: Mini-MIAS Mammography Image Analysis Society (MIAS) Produzido pela organização de grupos de pesquisa do Reino Unido interessados na compreensão das mamografias 9