Дальневосточный государственный медицинский университет Поиск | Личный кабинет | Авторизация
Поиск статьи по названию
Поиск книги по названию
Каталог рубрик
в коллекциюДобавить в коллекцию

АВТОМАТИЧЕСКОЕ ДИФФЕРЕНЦИРОВАНИЕ КАЛЬЦИНАТОВ И ИХ СКОПЛЕНИИ НА МАММОГРАММАХ: РЕЗУЛЬТАТЫ РАБОТЫ БЛОКА СИСТЕМЫ КОМПЬЮТЕРНОГО АНАЛИЗА


Аннотация:

Ранее нами была разработана система компьютерного анализа (CAD) маммограмм MammChcck II, которая обеспечила повышение выявляемости малых и трудно идентифицируемых форм рака молочной железы (РМЖ). Однако данная система не была предназначена для идентификации и дифференцирования кальцинатов, хотя наличие кальцинатов не влияло на способность данной системы идентифицировать РМЖ, проявляющийся объемными образованиями. ЦЕЛЬ: Разработать методику автоматического дифференцирования доброкачественных и подозрительных кальцинатов и их скоплений на маммограммах и охарактеризовать ее клиническую ценность. МАТЕРИАЛЫ И МЕТОДЫ: Для тестирования системы использовался набор из 390 маммографических изображений, содержавших кальцинаты всех типов (278 — с доброкачественными и 112 — с подозрительными кальцинатами). В качестве классификатора использовали линейный метод опорных векторов (SVM), который был предварительно обучен на наборе из 126 изображений скоплений кальцинатов (70 доброкачественных, 56 подозрительных). Было разработано две модели SVM: без анализа сосудистых кальцинатов и с таковым, которые были протестированы. Статистика: сравнение нормально распределенных выборок производили с использованием t-критерия Стьюдента, ненормально распределенных — с использованием критериев Уилкоксона и хи-квадрат. Оценка корреляции нормально распределенных выборок осуществлялась путем расчета коэффициента Пирсона, ненормально распределенных — коэффициентов Спирмена или Кендалла. Статистическую достоверность констатировали при получении значений р<0,05. РЕЗУЛЬТАТЫ: При анализе результатов использования модели без анализа сосудистых кальцинатов было показано сходство мелких начальных кальцинатов данной природы с подозрительными, в результате данная модель ложно классифицировала 14 из 23 [60,87%] скоплений сосудистых кальцинатов как подозрительные. Это потребовало усовершенствования модели. Общие результаты дифференцирования кальцинатов всех типов (доброкачественных и злокачественных) при использовании обновленной модели с анализом сосудистых кальцинатов: истинно положительные заключения — 375/390 (96,15%), ложноположительные — 15/390 (3,84%). При этом в обоих случаях, когда подозрительные кальцинаты ошибочно маркировались как доброкачественные, ошибочное срабатывание отмечалось только на маммограммах в одной проекции, в то время как на маммограммах в другой проекции подозрительные кальцинаты были промаркированы верно. ОБСУЖДЕНИЕ: При разработке CAD представляется важным не только маркировать подозрительные зоны, но и обеспечивать подавление ложноположительных меток, соответствующих очевидно доброкачественным процессам. Однако при этом важно не подавить истинно положительные метки, поэтому при создании подобных систем очевидно неизбежен некоторый перекос в сторону снижения прогностической ценности подозрительных меток за счет максимального повышения прогностической ценности доброкачественных меток. На наш взгляд, разработанный подход удовлетворяет такому требованию. Более того, его интеграция в CAD позволяет подавить, например, метки мягкотканных образований, ассоциированных с типичными доброкачественными кальцинатами, возникающие на предыдущих этапах работы CAD. Это, в свою очередь, способствует снижению частоты ложноположительных меток основного алгоритма CAD. ЗАКЛЮЧЕНИЕ: Разработанный нами блок дифференцирования доброкачественных и подозрительных кальцинатов и их скоплений на маммограммах, в версии с анализом сосудистых кальцинатов обеспечивает чувствительность 98,21% и специфичность 95,32% в реализации данной задачи. При этом прогностическая ценность отрицательного результата (NPIS доброкачественной метки) составила 99,25%, прогностическая ценность положительного результата (PPV; злокачественой метки - 89,43%.

Авторы:

Пасынков Д.В.
Романычева Е.А.
Егошин И.А.
Колчев А.А.
Меринов С.Н.
Бусыгина О.В.
Михальцова М.А.

Издание: Лучевая диагностика и терапия
Год издания: 2024
Объем: 10с.
Дополнительная информация: 2024.-N 3.-С.72-81. Библ. 20 назв.
Просмотров: 1

Рубрики
Ключевые слова
32
43
автоматический
алгоритм
анализ
ассоциированные
вектор
выбор
диагностика
дифференцирования
доброкачественная
железа
железы
задач
злокачественная
злокачественные
зоны
идентификации
идентификация
изображение
интеграция
использование
истинная
кальцинаты
кальцифилаксия
качества
классификаторов
клиническая
компьютерная
корреляция
коэффициент
кровеносные
линейная
ложная
ложноположительные
лучевая
максимальная
маммография
марки
медицинская
мелкий
метод
методика
модели
молочная
молочной
мягкая
начальных
ненормальный
новообразования
нормальная
образование
обучения
общие
объемные
онкология
опорные
основной
отрицательное
оценка
ошибочный
пирсона
повышение
подавление
подобные
положительные
получение
предварительной
прогностическая
проекция
проявления
разработка
рак
рака
распределения
расчет
реализация
результата
скопления
снижение
создание
соответствующие
состав
сосудистая
сосуды
специфичность
способности
сравнение
статистика
статистические
сходство
тестирование
типов
трудности
усовершенствования
форм
цель
чувствительность
Ваш уровень доступа: Посетитель (IP-адрес: 18.119.108.80)
Яндекс.Метрика