Роль обработки изображений в обнаружении микрокальцификаций в маммограммах

Введение: Критическая роль микрокальцификации в маммографии

Микрокальцификации — крошечные отложения кальция в ткани молочной железы — часто являются самым ранним рентгенографическим признаком неощутимого рака молочной железы. Эти мельчайшие структуры, обычно размером менее 0,5 мм, появляются как небольшие яркие пятна на маммограмме. В то время как многие микрокальцификации являются доброкачественными (например, связаны с фиброзно-кистозными изменениями или секреторным заболеванием), некоторые модели, такие как кластеризация, линейное ветвление или плеоморфизм, несут высокую вероятность злокачественности. Таким образом, способность надежно обнаруживать и характеризовать эти отложения, поэтому необходима для ранней диагностики, когда варианты лечения наиболее эффективны и показатели выживаемости самые высокие.

Традиционная пленко-экранная маммография постепенно уступила место полнопольной цифровой маммографии (FFDM) и, в последнее время, цифровому томосинтезу груди (DBT). Эти методы производят изображения с высоким разрешением, которые по своей сути поддаются вычислительному анализу. Однако даже при современном аппаратном обеспечении визуализации визуальная видимость микрокальцификаций может быть ограничена перекрытием фиброгландулярной ткани, шумом изображения и изначально низким контрастом кальция по отношению к окружающей паренхиме. Именно здесь происходит обработка изображений, преобразование необработанных пиксельных данных в расширенную, действенную информацию, которая поддерживает радиологов в принятии точных, своевременных решений.

За последние два десятилетия была разработана богатая экосистема методов обработки изображений специально для маммографического микрокальцификации. Эти методы варьируются от классической фильтрации и морфологических операций до передовых архитектур глубокого обучения. В этой статье представлено всестороннее, технически обоснованное исследование того, как работают эти инструменты, почему они имеют значение и что ждет в будущем.

Почему обработка изображений незаменима для микрокальцификации

Радиологи, интерпретирующие маммографию, должны бороться с несколькими проблемами восприятия. Микрокальцификации малы и могут быть легко скрыты плотной тканью молочной железы. Усталость, рабочая нагрузка и тонкие изменения условий просмотра способствуют изменчивости в обнаружении. Исследования показали, что даже опытные радиологи пропускают 10-30% результатов во время рутинного скрининга. Системы компьютерного обнаружения (CAD), которые в значительной степени полагаются на алгоритмы обработки изображений, были разработаны, чтобы действовать как второй читатель, выделив подозрительные области для более тщательного изучения.

Обработка изображений решает эти проблемы на нескольких уровнях:

Систематично применяя эти шаги, обработка изображений помогает стандартизировать интерпретацию, уменьшить ложные негативы и повысить общую диагностическую точность. Следующие разделы погружаются в конкретные методы, которые делают это возможным.

Методы обработки изображений для микрокальцификации

Предварительная обработка и улучшение

Сырые маммографические изображения часто страдают от низкой контрастности, неравномерного освещения (из-за различной толщины молочной железы) и квантового шума.

Эти этапы предварительной обработки часто являются первым этапом как в коммерческих системах САПР, так и в исследовательских трубопроводах. Они не обнаруживают сами микрокальцификации, а повышают надежность алгоритмов нисходящего потока.

Сегментация микрокальцификаций

После того, как применяется усиление, следующая задача заключается в выделении отдельных микрокальцификаций из окружающей фиброгландулярной ткани. Методы сегментации делятся на три широкие категории:

Глобальный и локальный порог

Простое пороговое значение на основе интенсивности предполагает, что микрокальцификации ярче, чем их окружение. Метод Отсу автоматически вычисляет оптимальный порог, минимизируя дисперсию внутри класса. Однако, поскольку плотность ткани молочной железы широко варьируется по изображению, глобальные пороги часто выходят из строя. Адаптивное пороговое значение, которое вычисляет локальный порог по скользящему окну, более надежно. Размер окна должен быть выбран тщательно: слишком мал и может охватывать только шум; слишком велик и возвращается к глобальному подходу.

Морфологические операции

Математическая морфология предлагает мощный инструментарий для извлечения ярких, маленьких, похожих на капли структур. Типичный трубопровод включает в себя:

Неконтролируемая и неконтролируемая классификация пикселей

Более продвинутые подходы рассматривают сегментацию как проблему классификации по пикселям. Такие характеристики, как локальная интенсивность, градиентная величина и текстура (например, с использованием фильтров Габора или локальных двоичных шаблонов), подаются в классификаторы, такие как машины вектора поддержки (SVM) или случайные леса. Глубокое обучение произвело революцию в этой области: сверточные нейронные сети (CNN) с архитектурой U-Net производят карты вероятности уровня пикселей, изучая как форму, так и контекст сквозной. Эти модели требуют больших аннотированных наборов данных, но достигают самых современных характеристик сегментации, особенно при обучении на различных маммографических системах и плотностях груди.

Извлечение характеристик для характеристики микрокальцификации

Обнаружение микрокальцификаций — это только половина битвы. Критический клинический вопрос — доброкачественные они или злокачественные. Извлечение признаков превращает сегментированные области в числовые дескрипторы, которые можно использовать для классификации.

Морфологические особенности

Форма отдельных кальцификаций и их распределение в кластере являются высокоинформативными. Доброкачественные кальцификаты имеют тенденцию быть круглыми, гладкими и равномерно размерными; злокачественные часто плеоморфны (изменяющиеся по форме и плотности), линейны или разветвлены. Общие особенности включают:

Особенности текстуры и интенсивности

Злокачественные микрокальцификации часто демонстрируют неправильную плотность и могут сопровождаться тонким архитектурным искажением. Также вычисляются такие особенности матрицы совместного возникновения серого уровня (GLCM), как контраст, корреляция, энергия и однородность, захват текстурных паттернов внутри и вокруг кластера. Статистика первого порядка (среднее значение, дисперсия, перекос) интенсивностей пикселей внутри сегментированной области.

Многомасштабные и частотные функции домена

Поскольку микрокальцификации появляются в конкретных пространственных масштабах, признаки, полученные из вейвлет-разложения или эмпирического разложения режима, могут захватывать распределение энергии по частотам. Например, было показано, что отношение высокочастотной энергии к общей энергии в кластере коррелирует с злокачественностью.

Классификация: от ручной работы до глубокого обучения

Традиционное машинное обучение

До глубокого обучения стандартный конвейер извлекал ручные функции и обучал классификатору, такому как SVM, случайный лес или AdaBoost. Методы выбора признаков (например, последовательный выбор вперед, взаимная информация) снижали размерность и избегали переобучения. Эти системы достигли хороших результатов на эталонных наборах данных, таких как цифровая база данных для скрининговой маммографии (DDSM), с площадью под кривой рабочих характеристик приемника (AUC) в некоторых исследованиях 0,90-0,95. Однако они требовали тщательной инженерии и были чувствительны к изменениям параметров приобретения.

Подходы к глубокому обучению

Сверточные нейронные сети теперь доминируют в этой области. Сквозное обучение устраняет необходимость ручного проектирования функций: сеть изучает иерархические представления непосредственно из патчей изображений. Обычно используемые архитектуры включают:

Ключевым преимуществом глубокого обучения является то, что оно может изучать контекстную информацию из окружающей ткани, которая не захватывается изолированным извлечением признаков. Например, кластер тонких, разветвленных кальцификаций может считаться злокачественным только тогда, когда он расположен в области архитектурного искажения - то, что CNN может узнать из примеров полного поля.

Преимущества обработки изображений в клинической практике

Интеграция обработки изображений в рабочие процессы маммографии дает ощутимые преимущества в нескольких измерениях.

Повышенная точность диагностики

Многочисленные крупномасштабные ретроспективные исследования показали, что современные системы САПР, использующие глубокое обучение, улучшают чувствительность на 5-10% без пропорционального увеличения частоты отзывов. Например, исследование 2021 года, проведенное Lotter et al. (опубликованное в Nature Biomedical Engineering), сообщило, что модель глубокого обучения, обученная на более чем 200 000 маммографиях, сохранила специфичность 94% при обнаружении на 9% больше раковых заболеваний, чем только у радиологов. Снижение ложных отрицательных результатов особенно выражено для инвазивных видов рака, которые представлены только в виде микрокальцификаций.

Ранее обнаружение

Тонкие микрокальцификации, которые легко упускаются из виду человеческим глазом, могут быть отмечены компьютеризированным анализом. Поскольку время, полученное путем обнаружения рака на более ранней стадии, напрямую влияет на прогноз (пятилетняя выживаемость при локализованном раке молочной железы превышает 99% против 31% при отдаленных метастазах), даже небольшие улучшения в показателях обнаружения приводят к спасению жизней. Обработка изображений позволяет идентифицировать кластеры микрокальцификации, которые меньше и реже, чем те, которые обычно обнаруживаются визуально.

Сниженная изменчивость

Вариабельность между чтецами — хорошо документированная проблема маммографии. Даже в рамках одного и того же учреждения показатели отзыва могут варьироваться в два или более раза среди радиологов. Обработка изображений обеспечивает последовательную, количественную структуру, которая снижает зависимость от индивидуального опыта и остроты зрения. При использовании в качестве второго считывателя САПР может гармонизировать интерпретацию, особенно для менее опытных радиологов или тех, кто работает в условиях большого объема скрининга.

Повышение эффективности рабочего процесса

Автоматизированные алгоритмы обнаружения могут быстро предэкранировать изображения и выделить подозрительные области, позволяя радиологам сосредоточить свое внимание на наиболее критических областях. Это особенно ценно в странах с популяционными программами скрининга, где радиологи должны считывать сотни маммографий в день. Предварительные анализы показывают, что системы сортировки на основе глубокого обучения могут сократить время чтения на 20-30% при сохранении или повышении точности.

Количественные биомаркеры и стратификация рисков

Помимо бинарной классификации (доброкачественная и злокачественная), обработка изображений позволяет извлекать непрерывные количественные признаки, которые могут служить биомаркерами. Например, морфологическая сложность (фрактальное измерение) кластеров микрокальцификации коррелирует с агрессивностью опухоли. Такие особенности потенциально могут быть использованы для стратификации пациентов в категории риска для более персонализированных интервалов скрининга или специализированных диагностических обследований.

Проблемы и ограничения

Несмотря на впечатляющий прогресс, обработка изображений для обнаружения микрокальцификации еще не безупречна. Остается несколько проблем, которые ограничивают широкое клиническое внедрение и оптимальную производительность.

Качество и изменчивость данных

Маммограммы приобретаются с использованием различных поставщиков (Hologic, GE, Siemens, Fujifilm), детекторных технологий (a-Se, CsI, подсчет фотонов) и протоколов сбора (kVp, mAs, сжатие). Алгоритмы обработки изображений, обученные на одной системе, часто ухудшаются в производительности при применении к другой. Адаптация и обобщение домена изображения остаются активными областями исследований. Кроме того, шумовые паттерны, артефакты (например, линии сетки, размытие движения) и плохое сжатие могут поставить под угрозу способность алгоритмов надежно обнаруживать микрокальцификации.

Необходимость больших, аннотированных наборов данных

Модели глубокого обучения требуют от специалистов-радиологов точного описания сотен или тысяч кальцификаций на изображение - трудоемкий и дорогостоящий процесс. Существуют общедоступные наборы данных (DDSM, CBIS-DDSM, INbreast), но они относительно малы и могут не охватывать все разнообразие реальных условий визуализации. Увеличение данных (вращание, масштабирование, упругая деформация) помогает, но не полностью заменяет подлинную изменчивость. Срочные совместные усилия по созданию больших, многоинституциональных, полностью аннотированных наборов данных необходимы.

Ложные положительные результаты и клиническое принятие

Ранние системы САПР страдали от высоких ложноположительных показателей, создавая чрезмерное количество меток на маммограмме, которые отвлекали, а не помогали радиологам. Современные модели глубокого обучения улучшили специфичность, но ложноположительные результаты остаются проблемой - особенно в плотной груди, где фиброгландулярная ткань может имитировать микрокальцификации. Радиологи все еще должны проявлять суждение, чтобы отклонить компьютерные предложения, которые могут привести к тревожной усталости. Системы, которые обеспечивают калиброванные оценки вероятности и подчеркивают только самые подозрительные результаты, с большей вероятностью получат клиническое доверие.

Интерпретируемость и объяснимость

Глубокие нейронные сети часто критикуют как «черные ящики». Радиологу, чтобы уверенно полагаться на вычисленный балл злокачественности, нужно понимать рассуждения, лежащие в его основе. Такие методы, как карты заметности (Grad-CAM, развертывание внимания) выделяют, какие области изображения повлияли на решение. Однако эти карты могут быть шумными или непоследовательными. Объясняемый ИИ (XAI) является активной областью исследований, а регулирующие органы все чаще требуют прозрачности в медицинских устройствах. Пока клиницисты не смогут интуитивно интерпретировать результаты алгоритма, полная интеграция в клинические рабочие процессы может быть отложена.

Регулирующие и этические соображения

Программное обеспечение, предназначенное для диагностического использования, должно проходить строгие процессы одобрения регулирующих органов (например, клиренс FDA 510 (k) в Соединенных Штатах, маркировка CE в Европе). Демонстрация эквивалентности или превосходства перед стандартом ухода в различных популяциях и системах визуализации является высокой планкой. Кроме того, алгоритмический уклон - где производительность систематически отличается в расовых, этнических или социально-экономических группах - должен активно контролироваться и смягчаться. Недавние исследования показали, что некоторые модели ИИ маммографии хуже работают на женщинах с более плотной грудью или более низким качеством изображения, что непропорционально влияет на определенную демографию.

Будущие направления

Ряд новых тенденций обещает еще больше повысить роль обработки изображений в обнаружении микрокальцификации.

Мультимодальная интеграция

Маммография сама по себе обеспечивает ограниченную специфичность. Сочетание маммографических результатов с ультразвуком, магнитно-резонансной томографией (МРТ) или даже патологией в мультимодальной структуре ИИ может значительно повысить диагностическую уверенность. Например, кластер микрокальцификации, обнаруженный на маммографии, может быть коррелирован с немассовым усилением на МРТ; модель глубокого обучения, обученная обоим модальностям, может назначить оценку злокачественности сустава, которая более точна, чем любая из этих модальностей. Ранняя работа по маммографии плюс CEUS (контрастное УЗИ) показывает перспективу.

Радиомика и геномика (радиогеномика)

Радиомика извлекает сотни количественных признаков визуализации из областей, представляющих интерес, часто обнаруживая закономерности, невидимые для человеческого глаза. Связывание радиомических особенностей микрокальцификаций с геномными данными (например, мутации BRCA, статус рецептора гормона) может позволить неинвазивное прогнозирование биологии опухоли. Этот радиогеномный подход может направлять решения о биопсии, хирургическом планировании и системной терапии. Несколько исследований уже идентифицируют радиомические сигнатуры, связанные с тройным негативным раком молочной железы из маммографических микрокальцификаций.

Поддержка принятия решений в режиме реального времени в точке ухода

По мере улучшения вычислительной мощности и краевых вычислений становится возможным запускать сложные модели глубокого обучения непосредственно на рабочей станции по приобретению маммографии. Это позволило бы радиологу получать немедленную обратную связь во время обзора изображения или даже во время самого сканирования, что побуждало бы к повторному отображению подозрительной области до ухода пациента. Такая помощь в режиме реального времени могла бы сократить количество отзывов и сократить диагностический путь.

Постоянное обучение и персонализация

Будущие системы ИИ могут адаптироваться к отдельным читателям и группам пациентов. Например, модель может учиться на прошлых ложных негативах рентгенолога и соответствующим образом корректировать пороги его чувствительности. Аналогичным образом, модель может быть адаптирована к предшествующей истории визуализации пациента, помечая новые или расширяющиеся микрокальцификации, которые в противном случае могли бы быть отклонены как стабильные. Непрерывные (пожизненные) подходы к обучению, в то время как сложные для реализации в регулируемой среде, могут разблокировать следующий уровень адаптивного, персонализированного скрининга.

Объясняемый и надежный ИИ

Исследования интерпретируемых по своей сути архитектур (например, моделей узких мест концепции, прототипных сетей) направлены на создание моделей, которые объясняют их рассуждения в клинических терминах. Например, модель может выводить «кластер 7 кальцификаций, средний эксцентриситет 0,85, линейный шаблон ветвления» наряду с вероятностью злокачественности. Такая прозрачность будет способствовать принятию радиологами и удовлетворять нормативным требованиям для алгоритмической отчетности. Закон ЕС об искусственном интеллекте и предлагаемое руководство FDA по заранее определенным планам контроля изменений подчеркивают важность этих проблем.

Заключение

Обработка изображений превратилась из нишевого академического поиска в клинически ценный инструмент, который увеличивает способность радиологов обнаруживать и характеризовать микрокальцификации в маммограммах. От простого усиления контраста и морфологической сегментации до мощных классификаторов глубокого обучения, спектр доступных сегодня методов предлагает значительные улучшения в чувствительности, специфичности и эффективности рабочего процесса. В то время как проблемы остаются - изменчивость данных, ложные срабатывания, интерпретируемость и регуляторные препятствия - траектория в подавляющем большинстве положительная. Продолжение достижений в области ИИ, мультимодальной визуализации и радиогеномики будет дополнительно совершенствовать эти инструменты, двигаясь к будущему, где маммографическая интерпретация быстрее, точнее и более персонализированной. В конечном счете, эти технологии позволяют спасти жизни, позволяя ранее и более надежное обнаружение рака молочной железы через тонкий, но критический признак микрокальцификации.

Внешние ссылки: