Использование метода контурного анализа лучевых изображений злокачественных опухолей молочных желез на ретроспективном материале

Цель. Повысить достоверность визуального анализа рентгеновских маммограмм путем применения математических моделей новообразований и метода их обработки на основе математического аппарата контурного анализа.

Материал и методы. Из рентгеновских маммограмм, полученных при плановых обследованиях в Республиканском онкологическом диспансере у пациенток возрастной категории от 38 до 82 лет, сформировано два набора данных. Первый набор содержит 100 комплектов изображений рентгеновской маммографии, на которых не выявлены патологические изменения злокачественной природы. Второй набор представлен 168 комплектами изображений рентгеновской маммографии с морфологически верифицированным раком молочной железы. Все комплекты маммографических изображений представлены в стандартных прямой краниокаудальной и косой медиолатеральной проекциях. Снимки получены на аналоговом маммографе. Для последующей компьютерной обработки использованы цифровые копии снимков в разрешении 600 dpi. Компьютерная обработка цифровых маммографических изображений заключалась в сегментации объемных образований, определении коэффициента линейности контуров и дифференциальной диагностике объемных новообразований на основе вычисленного значения коэффициента прямолинейности их контуров.

Результаты. Разработан алгоритм выделения контуров объемных образований на рентгеновских маммографических изображениях. В качестве математической модели контура используется последовательность комплекснозначных векторов, аппроксимирующих его кривую. Введено понятие коэффициента прямолинейности контура, количественно характеризующее его форму. Разработан метод объективной классификации злокачественных и доброкачественных объемных образований на основе значения введенного коэффициента прямолинейности. Установлено, что контуры объемных образований молочных желез доброкачественной природы характеризуются более высоким значением коэффициента прямолинейности (порядка 0,3–0,4) (категория BI-RADS 2), в то время как контуры злокачественных опухолей имеют гораздо меньшее значение данного показателя (порядка 0,05–0,1) (категории BI-RADS 4–5). Определены основные количественные показатели информативности предложенного метода, такие как чувствительность, специфичность и точность. Показано, что предложенный метод обладает большей специфичностью по сравнению с традиционным визуальным анализом, проводимым врачом-рентгенологом. Это позволяет использовать предложенный метод в качестве дополнительной методики при визуальном анализе маммограмм для повышения достоверности клинических заключений.

Заключение. Практическая ценность метода заключается в возможности количественной оценки форм контуров злокачественных новообразований молочных желез, снижении трудоемкости маммографического исследования и повышении его объективности. Предложенный метод позволяет сократить время анализа рентгеновских маммограмм и повысить достоверность клинических заключений.

1. Шумакова Т.А., Солнцева И.А., Сафронова О.Б., Савелло В.Е., Серебрякова С.В. Применение международной классификации BI-RADS в маммологической практике: Руководство для врачей. СПб.: ЭЛБИ-СПб; 2018.

2. Синицын В.Е. ACR BI-RADS: cистема описания и обработки данных исследования молочной железы. Маммологический атлас: маммография, ультразвуковое исследование, магнитно-резонансная томография. М.: Медпрактика-М; 2010.

3. Рожкова Н.И., Бурдина И.И., Дабагов А.Р., Мазо М.Л., Прокопенко С.П., Якобс О.Э. Лучевая диагностика в маммологии: руководство для врачей. М.: СИМК; 2014.

4. 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): 236–48. DOI: 10.1016/j.acra.2011.09.014

5. Фурман Я.А., Кревецкий А.В., Передреев А.К. Введение в контурный анализ и его приложения к обработке изображений и сигналов. 2-е изд. М.: Физматлит; 2003.

6. Вентцель Е.С., Овчаров Л.А. Теория вероятностей и ее инженерные приложения. М.: Высшая школа; 2000.

7. Baker J.A., Rosen E.L., Lo J.Y., Gimenez E.I., Walsh R., Soo M.S. Computer-aided detection (CAD) in screening mammography: sensitivity of commercial CAD systems for detecting architectural distortion. Am. J. Roentgenol. 2003; 181 (4): 1083–8. DOI: 10.2214/ajr.181.4.1811083

8. Dheeba J., Albert Singh N., Tamil Selvi S. Computer-aided detection of breast cancer on mammograms: a swarm intelligence optimized wavelet neural network approach. J. Biomed. Inform. 2014; 49: 45–52. DOI: 10.1016/j.jbi.2014.01.010

9. Lehman C.D., Wellman R.D., Buist D.S., Kerlikowske K., Tosteson A.N., Miglioretti D.L. Diagnostic accuracy of digital screening mammography with and without computeraided detection. JAMA Intern. Med. 2015; 175 (11): 1828–37. DOI: 10.1001/jamainternmed.2015.5231

10. Рожкова Н.И., Горшков В.А. (ред.) Цифровая маммологическая клиника. Технологии визуализации. М.: СИМК; 2013.

11. Шах Б.А., Фундаро Д.М., Мандава С. Лучевая диагностика заболеваний молочной железы. М.: БИНОМ; 2013.

12. Романычева Е.А., Батухтин Д.М., Иванов К.О., Севастьянов В.В., Фурман Я.А., Ерусланов Р.В. Классификация объектов по их форме на маммографических изображениях методами контурного анализа. Вестник Поволжского государственного технологического университета. Cерия: Радиотехнические и инфокоммуникационные системы. 2014; 4: 58–74.

13. Михайлов М.К., Севастьянов В.В., Фурман Я.А., Романычева Е.А. Дифференциальная диагностика изображений новообразований с сильной вариабельностью формы на рентгенологических маммограммах методами контурного анализа. Материалы IX Всероссийского национального конгресса лучевых диагностов и терапевтов «Радиология-2015». Российский электронный журнал лучевой диагностики. 2015; 5 (2): 112.

14. Батухтин Д.М., Романычева Е.А., Севастьянов В.В., Иванов К.О., Фурман Я.А. Комбинированная методика классификации объектов на маммографических изображениях. Медицинская техника. 2016; 50 (2): 19–22.