Ανάπτυξη και χρήση μεθοδολογιών πολλαπλής διακριτικής ανάλυσης και ασαφούς λογικής για την υποβοηθούμενη διάγνωση του καρκίνου του μαστού από εικόνες δυναμικής αντίθεσης ενισχυμένης απεικόνισης μαγνητικού συντονισμού (DCE-MRI)

Abstract

The present thesis aims at the design, development, and evaluation of machine learning techniques to support the computer aided diagnosis of breast cancer. Breast cancer is one of the most common causes of death for women worldwide. This fact places the early detection of the disease as one of the major challenges addressed by researchers working in the field. Dynamic Contrast Enhanced Magnetic Resonance Imaging (DCE-MRI) is nowadays an area of intense research efforts, as it is a diagnostic method with high sensitivity that allows the study of the tumor’s morphology. First, preprocessing of breast DCE-MRI images is carried out focusing on the enhancement of the image quality. As part of the image preprocessing, tumor segmentation from the original images has been performed with the help of experienced breast radiologist. The goal is the identification of the most important breast anatomical differences as well as the isolation of the regions of interest from the background. Methodologies of multiscale analysis are further developed to quantitatively study the segmented regions (tumors), based on the extraction of texture features which are of major importance for breast cancer detection. Feature selection methods for the discrimination between benign and malignant findings are also utilized. Furthermore, a hybrid classifier combining the features of an Adaptive Neuro-Fuzzy Inference System (ANFIS) with the Particle Swarm Optimization (PSO) algorithm is developed. The goal is the automatic discrimination between malignant and benign tumors with the best possible accuracy. A comparative assessment of the developed methodologies for the analysis and classification of breast DCE-MRI images is also carried out, aiming at the evaluation of the potential of each of these methods in the classification accuracy for benign and malignant tumors in daily clinical practice. More specifically, the studied methodologies are evaluated in real patient data that were used for research purposes. Breast DCE – MRI images were used from a total of 44 patients (23 with malignant tumors and 23 with benign tumors) collected from the Penn Medicine, Radiology department of the University of Pennsylvania in USA. The features extracted by each methodology are fed to various known classifiers. In terms of classification accuracy, the three-level Stationary Wavelet Transform (SWT) with sym9 as the mother wavelet function outperforms (91% accuracy) the Discrete Wavelet Transform (DWT) when the extracted texture features are fed in a Linear Discriminant Analysis (LDA) classifier in a leave-one-out cross validation scheme. In addition, the four-level fast discrete curve transform (FDCT) achieves the maximum classification accuracy (93.18 %) when the extracted features feed the same classifier. Furthermore, the classification accuracy of the developed hybrid classifier is evaluated against known classifiers. The investigated classifiers are based on ensembles of neural networks trained with the bagging method, ensembles of feedforward neural networks of different number of hidden neurons and layers, classifiers based on binary logistic regression, Bayesian approach, and decision trees. The findings indicate that the proposed hybrid ANFIS-PSO classifier when fed with texture features extracted by the FDCT methodology using four levels of decomposition, outperforms all the investigated breast tumor classification schemes in terms of classification accuracy (94 %), as well as the area under the Receiver Operating Characteristic (ROC) curve.

Στην παρούσα διατριβή σχεδιάζονται, αναπτύσσονται και αξιολογούνται μεθοδολογίες πολλαπλής διακριτικής ανάλυσης και ασαφούς λογικής για την διάγνωση του καρκίνου του μαστού. Ο καρκίνος του μαστού αποτελεί μια από τις συχνότερες αιτίες θανάτου των γυναικών παγκοσμίως, γεγονός που καθιστά την έγκυρη διάγνωση της νόσου μια τις μεγαλύτερες προκλήσεις στον τομέα της βιοϊατρικής τεχνολογίας. Προς την κατεύθυνση αυτή η δυναμική μαγνητική τομογραφία ενισχυμένης αντίθεσης (Dynamic Contrast Enhanced Magnetic Resonance Imaging, DCE-MRI) προσελκύει στις μέρες μας μεγάλο επιστημονικό ενδιαφέρον καθώς αποτελεί μια διαγνωστική μέθοδο με μεγάλη ευαισθησία που επιτρέπει τη μελέτη της μορφολογίας των βλαβών του ιστού. Αρχικά μελετάται η προ-επεξεργασία των εικόνων δυναμικής μαγνητικής τομογραφίας ενισχυμένης αντίθεσης, στοχεύοντας στη βελτίωση της ποιότητάς τους. Σαν μέρος της προ-επεξεργασίας των εικόνων, μελετάται η κατάτμηση των όγκων από τις αρχικές εικόνες με την βοήθεια εξειδικευμένου ακτινολόγου μαστού. Στόχος είναι ο εντοπισμός σημαντικών ανατομικών δομών του μαστού καθώς και η απομόνωση των περιοχών ενδιαφέροντος. Στην συνέχεια αναπτύσσονται μεθοδολογίες ανάλυσης πολλαπλής διακριτικής ικανότητας προκειμένου να αναδειχτούν τα χαρακτηριστικά των οριοθετημένων περιοχών (όγκων). Εξάγονται χαρακτηριστικά υφής τα οποία είναι σημαντικά για την διάγνωση του καρκίνου του μαστού. Ακολουθεί η μελέτη της επιλογής των περισσότερο εύρωστων χαρακτηριστικών για την περιγραφή των οριοθετημένων όγκων. Στην συνέχεια αναπτύσσεται ένας υβριδικός ταξινομητής, ο οποίος συνδυάζει χαρακτηριστικά του Προσαρμοστικού Συστήματος Νευρο-ασαφούς Συμπερασμού (ANFIS) με χαρακτηριστικά του αλγορίθμου Βελτιστοποίησης Σμήνους Σωματιδίων (PSO). Στόχο αποτελεί η μεγιστοποίηση της ακρίβειας κατά τον αυτόματο διαχωρισμό μεταξύ καλοήθων και κακοήθων ευρημάτων. Παρουσιάζεται επίσης η συγκριτική αξιολόγηση των προτεινόμενων μεθοδολογιών ανάλυσης εικόνων και ταξινόμησης ως προς την αποτελεσματικότητα τους στην ακρίβεια διάκρισης καλοήθων και κακοήθων όγκων σε συνθήκες κλινικής πρακτικής. Πιο συγκεκριμένα, οι μελετώμενες μεθοδολογίες αξιολογούνται σε πραγματικά δεδομένα ασθενών που χρησιμοποιήθηκαν για ερευνητικούς σκοπούς. Συνολικά, χρησιμοποιήθηκαν εικόνες δυναμικής μαγνητικής τομογραφίας ενισχυμένης αντίθεσης από 44 ασθενείς (23 με κακοήθεις όγκους και 21 με καλοήθεις) που παραχωρήθηκαν από το τμήμα Ακτινολογίας της Ιατρικής σχολής του Πανεπιστημίου της Πενσυλβάνια των Η.Π.Α.. Τα εξαγόμενα χαρακτηριστικά με κάθε μεθοδολογία εισέρχονται σε μια σειρά γνωστών ταξινομητών. Αποδεικνύεται ότι o στατικός μετασχηματισμός κυματιδίου (Stationary Wavelet Transform – SWT) τριών επιπέδων με την sym9 ως συνάρτηση μητρικού κυματιδίου υπερέχει (με ακρίβεια ταξινόμησης 91%) έναντι του διακριτού μετασχηματισμού κυματιδίου (Discrete Wavelet Transform – DWT) τριών επιπέδων και συνάρτηση κυματιδίου db4 ως προς την ακρίβεια ταξινόμησης των όγκων στο μαστό όταν τα εξαξόμενα χαρακτηριστικά υφής τροφοδοτούν έναν Ταξινοµητή Γραµµικής Διακριτικής Ανάλυσης με διασταυρωμένη επικύρωση Leave One Out. Επιπρόσθετα, ο ταχύς διακριτός μετασχηματισμός καμπύλης (FDCT) τεσσάρων επιπέδων επιτυγχάνεται την μέγιστη ακρίβεια ταξινόμησης (93.18 %) όταν τα εξαγόμενα χαρακτηριστικά τροφοδοτούν τον ίδιο ταξινομητή. Παράλληλα αξιολογείται η ακρίβεια ταξινόμησης του υβριδικού ταξινομητή που υλοποιήθηκε συγκριτικά με γνωστούς ταξινομητές. Οι ταξινομητές που εξετάζονται βασίζονται σε σύνολα νευρωνικών δικτύων εκπαιδευμένα με τη μέθοδο bagging, σύνολα νευρωνικών δικτύων πρόσθιας τροφοδότησης διαφορετικού αριθμού κρυμμένων νευρώνων και επιπέδων, ταξινομητές βασιζόμενους στην δυαδική λογιστική παλινδρόμηση, στην Μπεϋζιανή προσέγγιση και τα δένδρα απόφασης. Αποδεικνύεται ότι ο προτεινόμενος υβριδικός ταξινομητής όταν τροφοδείται με χαρακτηριστικά υφής που εξάγονται με τον FDCT με τέσσερα επίπεδα ανάλυσης επιτυγχάνει τα καλύτερα αποτελέσματα ως προς την ακρίβεια ταξινόμησης (94 %) καθώς και το εμβαδόν κάτω από την καμπύλη Receiver Operating Characteristic (ROC).