Ανάλυση Εικόνων Μαστογραφιών Για Την Ανίχνευση Των Μικροαποτιτανώσεων Και Την Κατηγοριοποίησή Τους Με Νευρωνικά Δίκτυα

Abstract

Η έγκαιρη πρόγνωση παίζει σημαντικό ρόλο στην διάγνωση του καρκίνου του μαστού. Η μόνη, αποδεδειγμένα αποτελεσματική μέθοδος για την έγκαιρη πρόγνωση είναι η μαστογραφία. Ένα πρώιμο σημάδι, στο 30-50% των περιστατικών του καρκίνου του μαστού, είναι η εμφάνιση συγκεντρώσεων λεπτών, κοκκιωδών μικροαποτιτανώσεων, ενώ το 60-80% των καρκινωμάτων του μαστού αποκαλύπτουν την ύπαρξη μικροαποτιτανώσεων στην ιστολογική εξέταση. Η υψηλή συσχέτιση μεταξύ της εμφάνισης των συγκεντρώσεων των μικροαποτιτανώσεων και του καρκίνου του μαστού δηλώνει ότι η ανάπτυξη συστημάτων υποβοήθησης της διάγνωσης για την αυτόματη κατηγοριοποίηση των μικροαποτιτανώσεων, θα δώσει ένα χρήσιμο εργαλείο για τον έλεγχο και την καταπολέμηση του καρκίνου του μαστού. Οι μικροαποτιτανώσεις εμφανίζονται στις μαστογραφίες ως λεπτές, κοκκιώδεις συγκεντρώσεις, οι οποίες πολύ συχνά είναι δύσκολο να αναγνωριστούν, ιδιαίτερα σε αδρές μαστογραφίες. Μια πληθώρα τεχνικών έχουν προταθεί προκειμένου να τονίσουν τις μικροαποτιτανώσεις, να τις εντοπίσουν αυτόματα και να τις κατηγοριοποιήσουν, αλλά τα αποτελέσματα δεν είναι ικανοποιητικά.Ο πυρήνας της διδακτορικής διατριβής είναι να παρουσιάσει τον αλγόριθμο Matching Pursuit (ΜΡ) ως μια ισχυρή τεχνική για την κωδικοποίηση της υφής και των προτύπων στις μαστογραφίες, λόγω της ιδιότητάς του να τις αναλύει και απλοποιεί όπως ο ανθρώπινος εγκέφαλος. Ο MP είναι ένας άπληστος αλγόριθμος ο οποίος αναλύει οποιοδήποτε σήμα σε ένα γραμμικό ανάπτυγμα κυματομορφών οι οποίες επιλέγονται από ένα πλούσιο λεξικό. Η επιλογή του λεξικού είναι κρίσιμη για την απόδοση του αλγόριθμου για την κωδικοποίηση των εικόνων. Στη διδακτορική διατριβή προτείνουμε τη χρήση των ατόμων Gabor, τα οποία έχουν την ιδιότητα να κωδικοποιούν την υφή και τα πρότυπα στις εικόνες. Η τεχνική αυτή, όταν εφαρμόζεται σε λίγα δεδομένα, έχει πολύ καλή απόδοση και γρήγορη μείωση του σφάλματος κωδικοποίησης. Τα χαρακτηριστικά που εξήχθησαν από τον MP χρησιμοποιήθηκαν ως είσοδος σε ένα εμπροσθοτροφοδοτούμενο νευρωνικό δίκτυο τριών επιπέδων για την κατηγοριοποίηση των περιοχών ενδιαφέροντος. Η απόδοση του νευρωνικού δικτύου απέδειξε ότι ο αλγόριθμος MP είναι ένα πολλά υποσχόμενο εργαλείο για την ανάλυση των μαστογραφιών. Το νευρωνικό δίκτυο έχει ευαισθησία 95% και 0,3 ψευδώς αρνητικά ευρήματα. Το εμβαδόν της καμπύλης ROC είναι 0,94. Το αποτέλεσμα της κατηγοριοποίησης είναι πολύ καλύτερο από πολλές άλλες συμβατικές τεχνικές όπως είναι ο μετασχηματισμός wavelet ή οι στατιστικές μέθοδοι.