Оценка обобщающей способности алгоритма вложенных контуров при анализе маммограмм

Обложка

Цитировать

Полный текст

Аннотация

B работе представлен алгоритм вложенных контуров, предназначенный для обнаружения патологических изменений, которые могут соответствовать раку молочной железы, на рентгеновских маммографических изображениях. 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. 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. Bысокая эффективность обнаружения патологических изменений, вне зависимости от различия характеристик маммограмм, полученных на разных системах, свидетельствует о высокой обобщающей способности предложенного алгоритма.

Об авторах

Иван Александрович Егошин

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Марийский государственный университет»

Автор, ответственный за переписку.
Email: jungl91@mail.ru

Младший научный сотрудник. Область научных интересов: цифровая обработка изображений, методы глубокого обучения, математическое моделирование.

Россия, г. Йошкар-Ола

Список литературы

  1. 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. Р. 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). P. 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. P 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). P. 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). P. 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. Р. 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. Р. 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). Р. 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. P. 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). P. 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. P. 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. P. 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. P. 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. P. 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). P. 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. P. 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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».