gms | German Medical Science

Kongress Medizin und Gesellschaft 2007

17. bis 21.09.2007, Augsburg

Vollautomatische Detektion und Diagnose des Mammakarzinoms in der dynamischen Brust-MRT

Meeting Abstract

  • Adam Maciak - CADMEI Software-Entwicklung für Medizinsysteme GmbH, Ingelheim
  • Dirk Mayer - CADMEI Software-Entwicklung für Medizinsysteme GmbH, Ingelheim
  • Tim Keszler - CADMEI Software-Entwicklung für Medizinsysteme GmbH, Ingelheim
  • Heiner Faber - CADMEI Software-Entwicklung für Medizinsysteme GmbH, Ingelheim
  • Thomas Rössler - CADMEI Software-Entwicklung für Medizinsysteme GmbH, Ingelheim
  • Massimo Buscema - Semeion Research Centre of Sciences of Communication, Rom
  • Marco Mattiuzzi - Bracco Imaging, Mailand
  • Toni Vomweg - CADMEI Software-Entwicklung für Medizinsysteme GmbH, Ingelheim

Kongress Medizin und Gesellschaft 2007. Augsburg, 17.-21.09.2007. Düsseldorf: German Medical Science GMS Publishing House; 2007. Doc07gmds253

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2007/07gmds253.shtml

Veröffentlicht: 6. September 2007

© 2007 Maciak et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielf&aauml;ltigt, verbreitet und &oauml;ffentlich zug&aauml;nglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Ziel: Zur Diagnose eines Mammakarzinoms wird zunehmend die Kontrastmittel-gestütze dynamische MRT [1], [2], [3], [4] der weiblichen Brust eingesetzt. Die hauptsächlichen Nachteile liegen in der mittleren Spezifität der Methode und im Zeitaufwand für die Auswertung durch den klinischen Experten. In diesem Beitrag wird ein Software Prototyp zur vollautomatischen Diagnose (CAD) des Mammakarzinoms vorgestellt.

Material und Methoden: Die Software führt auf zeitlich varianten 3D-Volumendaten eine Bildverarbeitungspipeline bestehend aus Bewegungskorrektur, Segmentierung, Berechnung von dynamischen und morphologischen Merkmalen sowie Klassifizierung der Merkmale durch Neuronale Netze aus. Die Registrierung der Volumendaten erfolgt durch eine Verallgemeinerung des 2D-Lucas-Kanade-Feature Trackers [5], [6]. Die Segmentierung erfolgt schwellwertbasiert. Hierbei wird der Schwellwert aufgrund der unterschiedlich starken KM-Anreicherungen adaptiv ermittelt.

Anschließend erfolgt die Extraktion von dynamischen und morphologischen Parametern. Hierbei werden sowohl klassische Parameter (Länge, mittlere SI, Durchmesser, Verhältnis Oberfläche zu Volumen, fraktale Dimension, u.a.), sowie auch abstrakte Parameter ermittelt. Zu diesen Parametern zählen statistische Momente der ersten bis dritten Ordnung, sowie Linearkombinationen dieser [7]. Ein Least-Square-Fit der KM-Dynamik an ein nichlineares, physikalisches Modell für die Boluskinetik erlaubt die akkurate Extraktion kinetischer Parameter [8].

Die Klassifikation der segmentierten Läsionen in Artefakte, benigne Tumoren und maligne Tumoren anhand der automatisch ermittelten Merkmale geschieht mit selbstreflexiven Feed-Forward Neuronalen Netzen, welche zuvor unter Verwendung von modifizierten Backpropagation Lernregeln [6], [9] trainiert wurden.

Ergebnisse: Die klinische Validierung erfolgt anhand histologisch gesicherter Datensätze von 104 Patientinnen mit insgesamt 89 malignen und 56 benignen Läsionen. Es konnte eine Sensitivität und eine Spezifität von 95% und 92% für die malignen Läsionen bestimmt werden.

Schlussfolgerungen: Das vorgestellte System detektiert, evaluiert und differenziert gut- und bösartige Läsionen ohne jegliche Benutzerinteraktion und ist damit als computerisierte Zweitmeinung (Computer Diagnosis) verwendbar. Die Performance erlaubt eine zeitnahe Systemantwort zur Untersuchung.


Literatur

1.
Middleton I, Damper RI. Segmentation of magnetic resonance images using a combination of neural networks and active contour models. Medical Engineering & Physics Vol. 26 (2004):pp. 71–86.
2.
el Kwae EA, et al. Detection of suspected malignant patterns in three-dimensional magnetic resonance breast images. Journal of Digital Imaging Vol. 11 (1998):pp. 83–93.
3.
Lucht RE, Knopp MV, Brix G. Classification of signal-time curves from dynamic MR mammography by neural networks. Magnetic Resonance Imaging Vol. 19 (2001):pp. 51–57.
4.
Vergnaghi D, Monti A, Setti E, Musumeci R. A use of a neural network to evaluate contrast enhancement curves in breast magnetic resonance images. Journal of Digital Imaging Vol 21 (2001):pp. 58–59.
5.
Shi J, Tomasi C. Good features to track. IEEE Computer Vision and Pattern Recognition (1994):pp. 593–600.
6.
Vomweg TW, Buscema M. Improved artificial neural networks in prediction of malignancy of lesions in contrast-enhanced MR-mammography. Medical Physics Vol. 30 (2003):pp. 2350–2359.
7.
Teague MR. Image analysis via the general theory of moments in Optical Society of America Vol.70 (1979): pp. 920-930.
8.
Maciak A, Kier C, Seidel G, Meyer-Wiethe K, Aach T. Parameterfreie Erkennung von Ischämien mit ultraschallbasiertem Harmonic Imaging. In: Proceedings BMT 6.-9. September 2006. Vol. 1, No. 76, Zürich, 2006. - ISBN 0939-4990.
9.
Buscema M. Self-reflexive networks, Substance Use & Misuse, 1998;33(2), pp. 409–38.