|
Аннотация.
В работе представлен алгоритм вложенных контуров, предназначенный для обнаружения патологических изменений, которые могут соответствовать раку молочной железы, на рентгеновских маммографических изображениях, и приведены результаты оценки его обобщающей способности. Данный алгоритм был протестирован на обширной выборке маммографических изображений всех возможных вариантов изменений, соответствующих верифицированному раку молочной железы, включая нечетко видимые и невидимые. Общая точность обнаружения алгоритма составила 90,73% — для пленочных и 96,82% – для цифровых маммограмм. Также приведен сравнительный анализ использования данного алгоритма и других современных методик обнаружения изменений на маммограммах, с использованием общедоступных баз данных (INbreast и CBIS-DDSM). Показана более высокая точность предложенного алгоритма. Высокая эффективность обнаружения патологических изменений, вне зависимости от различия характеристик маммограмм, полученных на разных системах, свидетельствует о высокой обобщающей способности предложенного алгоритма.
Ключевые слова:
рак молочной железы, маммография, обнаружение, линии уровня, обобщающая способность.
DOI: 10.14357/20790279240308
EDN: NXRKLK
Стр. 67-77.
Литература
Ferlay J., Soerjomataram I., Ervik M., Dikshit R., Eser S., Mathers C., Rebelo M., Parkin D.M., Forman D., Bray F. GLOBOCAN 2012 v1.1, Cancer Incidence and Mortality Worldwide: IARC CancerBase. No. 11. Lyon, France: International Agency for Research on Cancer, 2014. Available from: http://globocan.iarc.fr/ [Accessed 16 January 2024]. 2. United States Preventive Services Task Force. Screening for breast cancer: U.S. Preventive Services Task Force recommendation statement, Annals of Internal Medicine. 2009; 151: 716-726. 3. Пасынков Д.В., Егошин И.А., Колчев А.А., Клюшкин И.В., Пасынкова О.О. Эффективность системы компьютерного анализа маммограмм в диагностике вариантов рака молочной железы, трудно выявляемых при скрининговой маммографии // Российский электронный журнал лучевой диагностики. 2019. Т.9. №2. C. 107-118. doi:10.21569/2222-7415-2019-9-2-107-118 4. Васильев Ю.А., Тыров И.А., Владзимирский А.В., Арзамасов К.М., Шулькин И.М., Кожихина Д.Д., Пестренин Л.Д. Двойной просмотр результатов маммографии с применением технологий искусственного интеллекта: новая модель организации массовых профилактических исследований // Digital Diagnostics. 2023. Т.4. №2. С. 93-104. doi:10.17816/DD321423 5. Singh N., Veenadhari S. Breast cancer segmentation using global thresholding and region merging. International Journal of Computer Sciences and Engineering. 2018; 6(12): 292-297. doi:10.26438/ijcse/v6i12.292297 6. Podgornova Y.A., Sadykov S.S. Comparative analysis of segmentation algorithms for the allocation of microcalcifications on mammograms. Information Technology and Nanotechnology. 2019; 2391: 121-127. doi:10.18287/1613-0073-2019-2391-121-127 7. Li H., Chen D., Nailon W.H., Davies M.E., Laurenson D.I. Dual convolutional neural networks for breast mass segmentation and diagnosis in mammography. IEEE Trans Med Imaging. 2022; 41(1): 3-13. doi:10.48550/arXiv.2008.02957 8. Jafari Z., Karami E. Breast Cancer Detection in Mammography Images: A CNN-Based Approach with Feature Selection. Information. 2023; 14(7): 1-14. doi:10.3390/info14070410 9. Egoshin I., Pasynkov D., Kolchev A., Kliouchkin I., Pasynkova О. A segmentation approach for mammographic images and its clinical value. IEEE International Conference on Microwaves, Antennas, Communications and Electronic Systems, COMCAS 2017; 2018. p. 1-6. doi:10.1109/COMCAS.2017.8244764 10. Lee R.S., Gimenez F., Hoogi A., Miyake K.K., Gorovoy M., Rubin D.L. A curated mammography data set for use in computer-aided detection and diagnosis research. Sci Data. 2017; 4:170177. doi:10.1038/sdata.2017.177 11. Moreira I.C., Amaral I., Domingues I., Cardoso A., Cardoso M.J., Cardoso J.S. INbreast: toward a full-field digital mammographic database. Acad Radiol. 2012; 19(2): 236-248. doi: 10.1016/j.acra.2011.09.014 12. Flusser J., Zitova B., Suk T. Moments and Moment Invariants in Pattern Recognition. New York: John Wiley and Sons; 2009. 312 p. 13. Останин С.А., Шайдук А.М., Козлов Д.Ю., Коновалов В.К., Леонов С.Л., Федоров В.В., Шойхет Я.Н., Колмогоров В.Г., Лобанов М.Н. Энтропийный метод оценки сложности контура медицинских изображений // Известия Алтайского государственного университета. 2013. Т.1/2. №77. С. 177-180. doi:10.14258/izvasu(2013)1.2-36 14. Suckling J., Parker J., Dance D. The Mammographic Image Analysis Society Digital Mammogram Database Exerpta Medica. International Congress Series. 1994; 1069: 375-378. 15. Shams S., Platania R., Zhang J., Kim J., Lee K., Park S. J. Deep generative breast cancer screening and diagnosis. International Conference on Medical Image Computing and Computer-Assisted Intervention, Granada, Spain; 2018. p. 859-867. doi: 10.1007/978-3-030-00934-2_95 16. Tsochatzidis L., Costaridou L., Pratikakis I. Deep learning for breast cancer diagnosis from mammograms—A comparative study. J. Imaging. 2019; 5(3): 1-11. doi:10.3390/jimaging5030037 17. Falconi L.G., Perez M., Aguilar W.G., Conci A. Transfer learning and fine tuning in breast mammogram abnormalities classification on CBIS-DDSM database. Adv. Sci. Technol. Eng. Syst. J. 2020; 5: 154-165. doi:10.25046/aj050220 18. Ansar W., Shahid A.R., Raza B., Dar A.H. Breast cancer detection and localization using mobilenet based transfer learning for mammograms. International symposium on intelligent computing systems, Sharjah, United Arab Emirates; 2020. p. 11-21. doi:10.1007/978-3-030-43364-2_2 19. Zhang H., Wu R., Yuan T., Jiang Z., Huang S., Wu J., Hua J., Niu Z., Ji D. DE-ada*: A novel model for breast mass classification using cross-modal pathological semantic mining and organic integration of multi-feature fusions. Inf. Sci. 2020; 539: 461-486. doi:10.1016/j.ins.2020.05.080 20. Himanish D., Akalpita D., Anupal N., Saurav M., Kangkana B., Zhongming Z. Breast cancer detection: Shallow convolutional neural network against deep convolutional neural networks based approach. Frontiers in Genetics. 2023; 13: 1097207. doi:10.3389/fgene.2022.1097207 21. Dhungel N., Carneiro G., Bradley A.P. A deep learning approach for the analysis of masses in mammograms with minimal user intervention. Med. image Anal. 2017; 37: 114-128. doi:10.1016/j.media.2017.01.009 22. Carneiro G., Nascimento J., Bradley A. P. Automated analysis of unregistered multi-view mammograms with deep learning. IEEE Trans. Med. imaging. 2017; 36(11): 2355-2365. doi:10.1109/TMI.2017.2751523 23. Shi P., Wu C., Zhong J., Wang H. Deep learning from small dataset for BI-RADS density classification of mammography images. In 2019 10th International Conference on Information Technology in Medicine and Education (ITME), Qingdao, China; 2019. p. 102-109. doi:10.1109/ITME.2019.00034 24. El Houby E.M., Yassin N.I. Malignant and nonmalignant classification of breast lesions in mammograms using convolutional neural networks. Biomed. Signal Process. 2021; 70: 102954. doi:10.1016/j.bspc.2021.102954 25. Пасынков Д.В., Егошин И.А., Колчев А.А., Романычева Е.А., Клюшкин И.В., Пасынкова О.О. Обнаружение и классификация скоплений микрокальцинатов на маммографических изображениях // Медицинская техника. 2024. №1, C. 29-32.
|
