Ein Google-ähnlicher Prozess für Mammographie-Bilder beschleunigt die Zweitmeinungen des Computers

Ein Google-ähnlicher Prozess für Mammographie-Bilder beschleunigt die Zweitmeinungen des Computers

Video: Heute ist mein Tag (Kann 2020).

Anonim

Um Computern dabei zu helfen, schnellere "Zweitmeinungen" zu Mammographiebildern zu erstellen, die verdächtig aussehende Brustmassen zeigen, verwenden Medizinphysiker an der Duke University einen Google-ähnlichen Ansatz, bei dem nützliche Informationen innerhalb von drei Sekunden aus einer vorhandenen Mammographiedatenbank abgerufen werden.

Anstatt das fragliche Mammogrammbild mit jedem Bild von Brustkrebs in einer Computerdatenbank zu vergleichen, vergleicht der neue Ansatz das fragliche Mammogramm mit ausgewählten Bildern, deren Informationsgehalt am höchsten bewertet wird. Dies ist analog zu der Vorgehensweise, bei der eine Google-Suche zunächst nur eine Liste der Websites zurückgibt, auf denen die wichtigsten und nützlichsten Informationen zu den in die Suche eingegebenen Wörtern angezeigt werden.

In einer Pilotstudie, die im August auf der 48. Jahrestagung der American Association of Physicists in Medicine in Orlando vorgestellt wird, ermöglichte der Ansatz Computern, ihre hohe Genauigkeit beizubehalten und gleichzeitig eine schnellere Analyse durchzuführen. Eine solche Geschwindigkeit und Effizienz wird wichtig sein, da solche Bilddatenbanken schnell größer und komplexer werden.

Wissensbasierte CAD-Systeme (Computer Assisted Detection) vergleichen Mammogramm-Bilder mit denen bekannter Brustkrebsfälle, um Radiologen bei ihrer Diagnose zu unterstützen. Da klinische Bildbibliotheken in der Mammografie jedoch schnell wachsen, werden wissensbasierte CAD-Systeme langsamer und weniger effizient.

In dem Bemühen zu verhindern, dass solche Systeme ins Stocken geraten, hat Georgia D. Tourassi, Ph.D. wird ein System zur wissensbasierten computergestützten Erkennung (KB-CAD) vorstellen, das Brustmassen nach den Prinzipien der Informationstheorie analysiert.

Wenn ein neuer, unbekannter Fall zur Analyse vorgelegt wird, vergleicht das KB-CAD-System den Fall mit Mammographiebildern in der Datenbank. Es werden ähnliche Fälle abgerufen, die bestimmte visuelle Merkmale und Eigenschaften aufweisen. Wenn der unbekannte Fall einem bekannten Fall von Brustkrebs ähnlich genug ist, würde dies auf das Vorhandensein von Krebs hindeuten.

Obwohl dies diagnostisch korrekt ist, wird diese Vorgehensweise mit zunehmender Größe der Bilddatenbank ineffizient. Daher verfolgen die Forscher einen zusätzlichen Ansatz.

Anstatt den neuen unbekannten Fall mit allen in der Wissensdatenbank gespeicherten Mammographiebildern zu vergleichen, beschränken die Forscher die Analyse auf die gespeicherten Fälle, die am aussagekräftigsten sind. Die Auswahl der informativsten Fälle erfolgt mithilfe einer Bildindexierungsstrategie, die auf dem Konzept der "Bildentropie" basiert. Die Bildentropie ist ein Maß für die Störung oder Komplexität des Bildes. Ein Bild, das nur schwarz oder weiß ist, hat keine Entropie. Ein Bild eines Schachbretts hat eine niedrige Entropie - es besteht aus einer gleichen Anzahl heller und dunkler Pixel. Komplexe Bilder mit gleichmäßigeren Verteilungen vieler Pixelintensitätsstufen weisen eine höhere Entropie auf und werden im Kontext des Duke-Systems als informativer angesehen.

Normales Brustgewebe "kann so komplex sein wie ein Tumor", sagt Tourassi. "Genau aus diesem Grund ist die mammografische Diagnose eine so herausfordernde Aufgabe. Unsere Datenbank berücksichtigt auch Normalfälle im Entscheidungsprozess."

In der jüngsten Pilotstudie verwendeten die Duke-Forscher ihre Technik auf eine Datenbank mit 2.300 Mammographiebildern. Mit der Entropieindizierung verglichen die Forscher ein Beispielbild mit den 600 aussagekräftigsten Bildern und reduzierten die Verarbeitungszeit ihres CAD-Systems um ein Viertel auf weniger als 3 Sekunden pro Abfrage. Die Forscher gehen davon aus, dass sie in einem Jahr eine größere Studie starten werden, um die klinischen Auswirkungen dieses neuen Ansatzes zu bewerten.

Quelle: Amerikanisches Institut für Physik