Rilevazione completamente automatizzata del carcinoma mammario in screening della risonanza magnetica mediante reti neurali convoluzionali

    Publication Date
    Source Authors
    Source Title
    Source Issue
    Publication Date

    2018

    Source Authors

    Mehmet Ufuk Dalmıs, ¸ Suzan Vreemann, Thijs Kooi, Ritse M.Mann, Nico Karssemeijer, and Albert Gubern-Mérida

    Source Title

    Rilevazione completamente automatizzata del carcinoma mammario in screening della risonanza magnetica mediante reti neurali convoluzionali

    Source Issue

    Journal of Medical Imaging

    5

    Page Range:

    Gli attuali sistemi di rilevamento computerizzato (CADe) per la risonanza magnetica mammaria con contrasto, si basano su entrambe le informazioni spaziali ottenute sia dalla fase iniziale che le informazioni temporali ottenute dalla fase tardiva. Tuttavia in fase avanzata potrebbero non essere disponibili in un’impostazione di screening, come nei protocolli MRI abbreviati, in cui l’acquisizione è limitata alle scansioni in fase iniziale. Tale elaborato si basa sull’apprendimento di sviluppare un sistema CADe che sfrutta le informazioni spaziali ottenute dalle scansioni in fase iniziale.
    Questo sistema utilizza le informazioni morfologiche tridimensionali (3-D) nelle posizioni candidate e le informazioni di simmetria derivante dal miglioramento delle differenze tra i due seni. Confronta il sistema proposto con un precedente sistema sviluppato, che utilizza il protocollo di risonanza magnetica mammaria completamente dinamico. Per l’addestramento e i test sono state usate 385 Scansioni MRI, contenenti 161 lesioni maligne. Le prestazioni sono state misurate mediando i valori di sensibilità tra 1/8: otto falsi positivi. Dagli esperimenti è emerso una maggiore sensibilità media rispetto a quella del precedente sistema CADe.
    L’imaging a risonanza magnetica del seno (MRI) è noto per il suo alto grado di sensibilità nel rilevare lesioni al seno. È stato dimostrato che lesioni occulte in mammografia ed ecografia possono essere rilevate nella MRI al seno. In un tipico protocollo di acquisizione della MRI al seno, dopo una scansione MRI iniziale ponderata T1 (T1w) si ottiene, un agente di contrasto, viene somministrato al paziente a migliorare le lesioni e, successivamente, diversi T1w post-contrasto.
    Le lesioni diventano visibili nel volume di sottrazione ottenuto dal precontrasto e dal primo postcontrasto volumi, che vengono definiti scansioni in fase iniziale. Sono le scansioni T1w aggiuntive ottenute dopo la prima risonanza magnetica post-contrasto utilizzato per valutare la dinamica di miglioramento del contrasto di una lesione nella fase avanzata, che fornisce informazioni aggiuntive per distinguere le strutture benigne da quelle maligne. Nonostante la maggiore sensibilità della RM al seno, la mammografia
    rimane la modalità standard per lo screening generale di le donne per il carcinoma mammario poiché l’alto costo della risonanza magnetica mammaria ne limita la uso diffuso. Uno dei fattori che aumentano i costi è l’acquisizione di diverse scansioni ottenute per uno studio di RM al seno singolo. Per ridurre i costi ed essere in grado di facilitare l’applicazione di questo modalità di imaging nello screening, sono stati suggeriti protocolli abbreviati di risonanza magnetica mammaria. In conclusione, è stato sviluppato un sistema CADe in grado di sfruttare le informazioni spaziali ottenute dalle scansioni in fase iniziale che può essere utilizzato nei programmi di screening in cui sono presenti protocolli di risonanza magnetica abbreviati.

    BIBLIOGRAFIA

    1. D. Lehman et al., “Cancer yield of mammography, MR, and US in high-risk women: prospective multi-institution breast cancer screening study,” Radiology 244(2), 381–388 (2007).
    2. Kuhl, “The current status of breast MR imaging part I. Choice of technique, image interpretation, diagnostic accuracy, and transfer to clinical practice,” Radiology 244(2), 356–378 (2007)
    3. K. Kuhl et al., “Abbreviated breast magnetic resonance imaging (MRI): first postcontrast subtracted images and maximum-intensity projection—a novel approach to breast cancer screening with MRI,” J. Clin. Oncol. 32(22), 2304–2310 (2014).
    4. Klein et al., “Elastix: a toolbox for intensity-based medical image registration,” IEEE Trans. Med. Imaging 29(1), 196–205 (2010).
    5. Ronneberger, P. Fischer, and T. Brox, “U-net: Convolutional networks for biomedical image segmentation,” Lect. Notes Comput. Sci. 9351, 234–241 (2015).
    6. Glorot and Y. Bengio, “Understanding the difficulty of training deep feedforward neural networks,” J. Mach. Learn. Res. 9, 249–256 (2010). 28. T. Tieleman and G. Hinton, “Lecture 6.5-rmsprop: divide the gradient by a running average of its recent magnitude,” COURSERA Neural Networks Mach. Learn. 4, 26–31 (2012).
    7. Srikantha, “Symmetry-based detection and diagnosis of DCIS in breast MRI,” Lect. Notes Comput. Sci. 8142, 255–260 (2013).
    8. Kooi and N. Karssemeijer, “Deep learning of symmetrical discrepancies for computer-aided detection of mammographic masses,” Proc. SPIE 10134, 101341J (2017).