Title: DIagnostic Assist par ordinateurs des Mammographies: Automatisation des Notations et du Traage Parti
1DIagnostic Assisté par ordinateurs des
Mammographies Automatisation des Notations et
du TraçagePartie détection/caractérisation
- Annabelle Gouze
- Cours SBIM 24 mars 06
2Plan
- Partie I Quelles sont les objectifs fixés
- Cadre du projet DIAMANT
- Objectifs et fonctionnalités
- Partie II Introduction au processus de
dépistage - Partie III Détection
- Partie IV Défi
3Contexte du projet Dépistage du cancer du sein
- Cancer le plus fréquent chez la femme (33 des
nouveaux cancers). - Risque pour quune femme en développe un au cours
de sa vie 12 - Le nombre de cas augmente avec l'âge et devient
un problème préoccupant en terme de santé
publique dès l'âge de 35-40 ans. - 67 des cancers du sein sont diagnostiqués entre
45 et 75 ans, seulement 1 avant 30 ans et 15
avant 45 ans. - Augmentation de l'incidence du cancer du sein
60 entre 1975-95 augmentation de la mortalité
8. ? amélioration de la survie liée - au diagnostic précoce
- au développement de thérapeutiques plus
efficaces.
4Quel est lenjeu du dépistage?
- le cancer le mieux soigné si il est identifié
assez tôt. - la mammographie sert à diagnostiquer des cancers
même à un stade précoce. - Le diagnostic précoce reste encore actuellement
le meilleur moyen pour tenter d'améliorer le
pronostic et le traitement ? les traitements sont
moins agressifs, plus efficaces et la maladie a
beaucoup plus de chance d'être limitée au sein. - La tendance actuelle va d'ailleurs vers une
tentative de prévention en proposant des examens
sénologiques systématiques en fonction des
facteurs de risque dont l'âge reste le plus
important.
5Problèmes spécifiques
- Assurance qualité
- par la compétence des radiologues,
- par un contrôle régulier des installations
radiologiques, - par la double lecture de la mammographie,
- par la collaboration de lensemble du monde
médical, - par le suivi et lévaluation réguliers des
résultats. - Problèmes spécifiques
- Difficulté dinterprétation (examen complétaire,
fausse détection) - Compte-rendu pas assez standardisé
- Double lecture non remboursée (pas toujours
automatisée) - Suivi du patient (examen antérieur)
6Principaux objectifs
- Développement dune station daide au diagnostic
pour le dépistage du cancer du sein (CAD). - Fonctionnalités
- outils de visualisation, de reconnaissance vocale
- outils de détection des lésions ( benchmarking),
- outils d'annotation
- But Générer automatiquement le compte-rendu à
partir des annotations automatiques (détection,
extraction de caractéritiques) et manuelles
(annotations du médecin)
7Objectifs outils de détection
- Détection des différents types danomalies
- Extraction des caractériques
- Nombre, repartition, taille, forme,localisation
- Classification 1 - Elimination des fausses
détection à partir des caractéristiques - Classification 2 identification de lanomalie
8Plan
- Partie I Quelles sont les objectifs fixés
- Partie II Introduction au processus de
dépistage - Chaîne de dépistage
- Données traités
- Interpretation
- Partie III Détection
- Partie IV Défi
9Processus de diagnostique du cancer du sein
Late Stage Cancer
20
Previous
CancerDiagnosis
Involved Actors
20
BreastBiopsy
Early Stage Cancer
80
25
80
Benign or Atypical FollowUp
DiagnosticWorkup
Diamant
12
Screening Mammogram
RX views, US (?)
Routine or 6 month FollowUp
75
RX, 4 viewsPhysical exam
Normal Mammogram Routine FollowUp
88
Référence Imaginis
10Processus de screening
11Screening données
- Entretient avec la patiente
- 4 mammographies par patiente CC MLO (2)
- Images rayon-X 4K X 4K X 2 bytes 32 Mbyte
- Dossier médical
microcalcifications
masse maligne
12Screening Acquisition des images
- Pour le dépistage analyse des 2 seins
- 2 incidences pour un sein gt pratiquement
impossible d'obtenir une
- image complète du sein sur une incidence
(convexité)
Zones non visuaisées sur la mammographie
13Incidences mammographiques
- 3 incidences fondamentales
- 1. incidence de face (Cranio-caudale)
- 2. incidence de profil
- 3. incidence oblique externe
14Incidence cranio-caudale
- Sur cette incidence, les quadrants externes se
superposent entre eux d'une part et les quadrants
internes entre eux d'autre part. Cette incidence
explore bien la région centrale et la région
interne du sein.
15Incidence de profil
- Cette incidence est généralement préférée au
profil externe, car elle permet une analyse plus
fine des lésions internes et une dissociation des
structures externes.
16Incidences complémentaires
17Plan
- Partie I Quelles sont les objectifs fixés
- Partie II Introduction au processus de
dépistage - Chaîne de dépistage
- Données traitées
- Interprétation
- Partie III Détection
- Partie IV Défi
18Mammographie classification densité
19Densité mammaire
20Densité mammaire
21Plan
- Partie I Quelles sont les objectifs fixés
- Partie II Introduction au processus de
dépistage - Partie III Détection
- Quels sont les objets détecter?
- Quelles sont leurs caractéristiques
- Algorithmes de détection
- Partie IV Défi
22Quelles sont les lésions à détecter?
- Séméiologie radiologique du cancer du sein
- Les opacités (visibles sur au moins 2 incidences)
- 1. Les tumeurs phyllodes
- 2. Les tumeurs malignes
- Les signaux fibreux (visibles sur 1 incidence)
- 1. Les images stellaires
- 2. Les distorsions architecturales
- 3. Hyperdensité focalisée et asymétrique
- Les calcifications
23Les caractéristiques opacités
24Caractéristiques calcifications
- Morphologie
- Nombre, distributions
25Calcifications
26Classification BIRADS
27Classification des anomalies (ACR)
28Classifications ACR masses
1
2
29Classification ACR Calcifications
1
1
2
2
30ACR désorganisation architecturale
31ACR Asymétrie de densité
32Plan
- Partie I Quelles sont les objectifs fixés
- Partie II Introduction au processus de
dépistage - Partie III Détection
- Quels sont les objets détecter?
- Schéma général de détection
- Détection de microcalcifications
- Détection de masses
- Partie IV Défi
33CAD Fonctionnalités Détection
- Outils de détection spécialisés pour les
différents types danomalie - Opacités,
- Microcalcifications, macrocalcifications
- Autres lésions
- Algorithmes de détections de type
- ondelettes (continu ou DWT)
- Rh-maxima, watersheds,
34Détection
- Extraction des caractéristiques (BI-RADS)
- masses volume, forme
- calcifications nombre, densité, distribution,
morphologie - autres lésions (cicatrice, hématome,..)
- Algorithmes de classification
35Schéma général de détection
36Plan
- Partie I Quelles sont les objectifs fixés
- Partie II Introduction au processus de
dépistage - Partie III Détection
- Quels sont les objets détecter?
- Schéma général de détection
- Détection de microcalcifications
- Détection de masses
- Partie IV Défi
37Détections de microcalcifications
- Difficultés
- leurs petites tailles
- leur faible contraste
- leurs aspects similaires (en radiographie) au
tissus dense - Présence prédominantes des microcalcifications
dans 18 des cancers non détectés
38Détection de microcalcifications
- Pre-processing
- suppression de bruit
- rehaussement du contraste
- extraction de la zone mammaire
- Extraction de caractéristiques
- localisation de signaux suspects
- Analyse des caractéristiques
- réduire le nombre de faux positifs
39Détections de microcalcifications
- Pre-processing
- techn. de traitement d'image, méthodes de
filtrage - Extraction de caractéristiques
- techniques différence-image
- seuillage de zones locales
- méthodes basées sur la transformée en ondelettes
- brouillage d'image et opérateurs morphologiques
- analyse statistique des textures
- signatures Laplacian scale-space
40Détection de microcalcifications
- Analyse des caractéristiques
- techniques rules-based
- réseaux de neurones
- combinaison des rules-based et réseaux de neurones
41Défi 1 méthode Strauss et al. 92
- Détection automatiques des microcalcifications
- Filtrages morphologiques filtrage fin filtrage
fort - Extraction des maxima régionaux algorithme du
RH-maxima - Caractéristiques nombre localisation
- Restitution de la forme
- segmentation watershed contours ltgt gradient
maximum - conserver pics de gradient marqués par le
rh-maxima
42Défi 2 méthode Dengler et al. 93
- Processus de détection
- Pas 1 rendre processus independent de
lintensité lumineuse - Pas 2 Weighted difference of Gaussians
- Si gt0 ? moyenne locale def par le noyau de taille
est 1/w fois gt moyenne locale def par le
noyau de taille - Critère de décision finale
- T dpt du bruit
43Défi 2 méthode Dengler et al. 93 (suite)
- Reconstruction de la forme (déformation du au
filtre gaussien) - Top-hat transform
- Résidu dune ouverture
- RImage Ouverture (Image)
- Seuillage (pour le bruit)
44Analyse des microca (Dhawan 96)
- But classifier le degré de malignité
- Définition des caractéristiques de l'image
- caractérisation de la texture
- globale histogramme stat. du 2nd ordre
- locale (des microca ROI) WT
- statistiques basées sur l'histogramme d'ordre 1
- de la région segmentée, sa taille, nombre de
microca,
45Schéma danalyse (Dhawan 96)
- Extraction des zones
- sélection manuelle de la zone de microca gt
masque - Extraction dune sous-image
- Caractéristiques globales de texture (histo de
2nd ordre) - Entropie,contraste, moment angulaire du 2nd
ordre, inverse difference moment, correlation,
moyenne,deviation, - Caractéristiques locales à partir des paquets
dondelettes
46Plan
- Partie I Quelles sont les objectifs fixés
- Partie II Introduction au processus de
dépistage - Partie III Détection
- Quels sont les objets détecter?
- Schéma général de détection
- Détection de microcalcifications
- Détection de masses
- Partie IV Défi
47Détection de masses
- Pre-processing
- Faible SNR des contours
- Background très structuré
- Localiser
Détection de bord échoue ? rehausser le contrast
48Défi 3 méthode de Hadhoud et al.
- Rehaussement de contrast
- Methode 1 morphologie mathématique
- Top-hat et filtrage gaussien pour rehauss.
contrast - Méthode 2 ondelettes
- Decompostion en ondelettes et seuilage des coeff
- Segmentation
- Technique basée-région seuillage
- Définir seuil global somme de mim locaux des
pdf des histogrammes des coeff. dondelettes.
49Défi 4 méthode de Kinnard et al.
- Extract. ROI pixel aggregat. region growing
- init. 1 pixel (intensité max dans la zone
supecte) - Itération sélection des X gt Seuil (X dans
4-voisins) - Jusquà ce que la ROI ne grandisse plus
- La ROI peut être agrandie avec un seuil plus
petit - Détection du contours de la ROI Chain code et
remplir la zone avec un critère de seuillage
50Défi 4 méthode de Kinnard et al.(suite)
- Analyse maximum de vraisemblance
- Sélectionner la meilleure partition en 2 régions
- Avec la région segmentée
51Détection de masses (Petrick 96)
- DWCE preprocessing filter (density-weighted
contrast enhanc.) - Normalisation de limage,
- Calcul de la densité
- et du contrast
- Rehaussement du contrast par un facteur fct
de - DWCE
52Détection de masses (Petrick 96)
- Détection de contour
- Application dun détecteur Laplacien-Gaussien
optimal sur limage préfiltrée DWCE - Pb DWCE merge des objets différents
- Séparation des objets détectés
- Définition dune valeur de coupure fonction des
aires droite et gauche et des valeurs de x - Classification dobjets morphologiques
53Evaluation des méthodes
- Les courbes ROC (True Positive vs False Positive)
donne le taux de vrai positifs en fonction du
taux de faux positifs. - pour la distinction entre les tissus normaux et
bénins et les tissus affectés
54Plan
- Partie I Quelles sont les objectifs fixés
- Partie II Introduction au processus de
dépistage - Partie III Détection
- Partie IV Défi
- Défi compte redu
- Lecture dun article
55Défi
- Implémentation dune méthode de détection sur
base dun article - Identification des tâches (lecture de larticle)
- Programmation des différentes parties
- Description des résultats intermédiaires
- Résumer toutes les caractéristiques relevantes
pour une interprétation ultérieure
56Lecture dun article
- Identifier les objectifs principaux
- titre- résumé mots-clés, conclusion
- Identifier les points principaux
- Passer en revue larticle et les points
principaux - Aller dans le détail
- Etude plus appronfondie des parties concernées