Ανάπτυξη και Χρήση Μεθοδολογιών Πολλαπλής Διακριτικής Ανάλυσης και Ασαφούς Λογικής για την Υποβοηθούμενη Διάγνωση του Καρκίνου του Μαστού από Εικόνες Δυναμικής Αντίθεσης Ενισχυμένης Απεικόνισης Μαγνητικού Συντονισμού (DCE-MRI)

Abstract

Στην παρούσα διατριβή σχεδιάζονται, αναπτύσσονται και αξιολογούνται μεθοδολογίες πολλαπλής διακριτκής ανάλυσης και ασαφούς λογικής για την διάγνωση του καρκίνου του μαστού. Ο καρκίνος του μαστού αποτελεί μια από τις συχνότερες αιτίες θανάτου των γυναικών παγκοσμίως, γεγονός που καθιστά την έγκυρη διάγνωση της νόσου μια τις μεγαλύτερες προκλήσεις στον τομέα της βιοϊατρικής τεχνολογίας. Προς την κατεύθυνση αυτή η δυναμική μαγνητική τομογραφία ενισχυμένης αντίθεσης (Dynamic Contrast Enhanced Magnetic Resonance Imaging, DCE-MRI) προσελκύει στις μέρες μας μεγάλο επιστημονικό ενδιαφέρον καθώς αποτελεί μια διαγνωστική μέθοδο με μεγάλη ευαισθησία που επιτρέπει τη μελέτη της μορφολογίας των βλαβών του ιστού. Αρχικά μελετάται η προ-επεξεργασία των εικόνων δυναμικής μαγνητικής τομογραφίας ενισχυμένης αντίθεσης, στοχεύοντας στη βελτίωση της ποιότητάς τους. Σαν μέρος της προ-επεξεργασίας των εικόνων, μελετάται η κατάτμηση των όγκων από τις αρχικές εικόνες με την βοήθεια εξειδικευμένου ακτινολόγου μαστού. Στόχος είναι ο εντοπισμός σημαντικών ανατομικών δομών του μαστού καθώς και η απομόνωση των περιοχών ενδιαφέροντος. Στην συνέχεια αναπτύσσονται μεθοδολογίες ανάλυσης πολλαπλής διακριτικής ικανότητας προκειμένου να αναδειχτούν τα χαρακτηριστικά των οριοθετημένων περιοχών (όγκων). Εξάγονται χαρακτηριστικά υφής τα οποία είναι σημαντικά για την διάγνωση του καρκίνου του μαστού. Ακολουθεί η μελέτη της επιλογής των περισσότερο εύρωστων χαρακτηριστικών για την περιγραφή των οριοθετημένων όγκων. Στην συνέχεια αναπτύσσεται ένας υβριδικός ταξινομητής, ο οποίος συνδυάζει χαρακτηριστικά του Προσαρμοστικού Συστήματος Νευρο-ασαφούς Συμπερασμού (ANFIS) με χαρακτηριστικά του αλγορίθμου Βελτιστοποίησης Σμήνους Σωματιδίων (PSO). Στόχο αποτελεί η μεγιστοποίηση της ακρίβειας κατά τον αυτόματο διαχωρισμό μεταξύ καλοήθων και κακοήθων ευρημάτων. Παρουσιάζεται επίσης η συγκριτική αξιολόγηση των προτεινόμενων μεθοδολογιών ανάλυσης εικόνων και ταξινόμησης ως προς την αποτελεσματικότητα τους στην ακρίβεια διάκρισης καλοήθων και κακοήθων όγκων σε συνθήκες κλινικής πρακτικής. Πιο συγκεκριμένα, οι μελετώμενες μεθοδολογίες αξιολογούνται σε πραγματικά δεδομένα ασθενών που χρησιμοποιήθηκαν για ερευνητικούς σκοπούς. Συνολικά, χρησιμοποιήθηκαν εικόνες δυναμικής μαγνητικής τομογραφίας ενισχυμένης αντίθεσης από 44 ασθενείς (23 με κακοήθεις όγκους και 21 με καλοήθεις) που παραχωρήθηκαν από το τμήμα Ακτινολογίας της Ιατρικής σχολής του Πανεπιστημίου της Πενσυλβάνια των Η.Π.Α.. Τα εξαγόμενα χαρακτηριστικά με κάθε μεθοδολογία εισέρχονται σε μια σειρά γνωστών ταξινομητών. Αποδεικνύεται ότι o στατικός μετασχηματισμός κυματιδίου (Stationary Wavelet Transform – SWT) τριών επιπέδων με την sym9 ως συνάρτηση μητρικού κυματιδίου υπερέχει (με ακρίβεια ταξινόμησης 91%) έναντι του διακριτού μετασχηματισμού κυματιδίου (Discrete Wavelet Transform – DWT) τριών επιπέδων και συνάρτηση κυματιδίου db4 ως προς την ακρίβεια ταξινόμησης των όγκων στο μαστό όταν τα εξαξόμενα χαρακτηριστικά υφής τροφοδοτούν έναν Ταξινοµητή Γραµµικής Διακριτικής Ανάλυσης με διασταυρωμένη επικύρωση Leave One Out. Επιπρόσθετα, ο ταχύς διακριτός μετασχηματισμός καμπύλης (FDCT) τεσσάρων επιπέδων επιτυγχάνεται την μέγιστη ακρίβεια ταξινόμησης (93.18 %) όταν τα εξαγόμενα χαρακτηριστικά τροφοδοτούν τον ίδιο ταξινομητή. Παράλληλα αξιολογείται η ακρίβεια ταξινόμησης του υβριδικού ταξινομητή που υλοποιήθηκε συγκριτικά με γνωστούς ταξινομητές. Οι ταξινομητές που εξετάζονται βασίζονται σε σύνολα νευρωνικών δικτύων εκπαιδευμένα με τη μέθοδο bagging, σύνολα νευρωνικών δικτύων πρόσθιας τροφοδότησης διαφορετικού αριθμού κρυμμένων νευρώνων και επιπέδων, ταξινομητές βασιζόμενους στην δυαδική λογιστική παλινδρόμηση, στην Μπεϋζιανή προσέγγιση και τα δένδρα απόφασης. Αποδεικνύεται ότι ο προτεινόμενος υβριδικός ταξινομητής όταν τροφοδείται με χαρακτηριστικά υφής που εξάγονται με τον FDCT με τέσσερα επίπεδα ανάλυσης επιτυγχάνει τα καλύτερα αποτελέσματα ως προς την ακρίβεια ταξινόμησης (94 %) καθώς και το εμβαδόν κάτω από την καμπύλη Receiver Operating Characteristic (ROC).