다 해상도 분석을 이용한 X-선 유방 촬영 영상에서의 침상돌기를 보이는 병변 검출에 관한 연구

Abstract

[한글]

X-선 유방 촬영술은 유방암 진단을 위해서 사용되는 가장 좋은 방법으로 유방암의 초기 진단에 유용하게 사용된다. X-선 유방 촬영술에서 보이는 대표적인 이상 소견으로 종괴를 들 수 있는데, 종괴는 종종 유선 조직에 부분적으로 덮여진 형태로 나타나기 때문에 검출이 어렵다. 최근 방사선과 전문의가 판독 시 검출하지 못하는 종양이 자동 검출 시스템에서 검출 할 수 있다는 연구 결과들이 발표되고 있다. 컴퓨터 진단 보조(CAD, Computer Aided Diagnosis) 시스템은 방사선과 전문의들이 간과하기 쉬운 병변 의심 영역을 판독 시 알려줄 수 있기 때문에 방사선 전문의들의 많은 관심을 끌고 있다.

본 연구에서는 다 해상도 상에 나타나는 침상 돌기를 보이는 병변을 검출하는 방법을 구현 하였다. 이를 위해 훈련 데이터에 대해 다 해상도 분석과 Maximum Likelihood Segmentation을 적용하여 침상돌기를 보이는 병변으로 의심되는 영역을 검출하였고, 검출된 영역의 데이터의 특성으로부터 49 개의 특징 파라미터를 추출한 후 이에 대해 로지스틱 회귀분석을 이용하여 유용한 특징 파라미터를 선택하였다. 선택된 특징 파라미터를 이용하여 로지스틱 회귀 모형을 추정한 후 이를 테스트 데이터에 적용하여 악성 유방의 소견인 침상 돌기를 보이는 병변을 분류하였다.

본 논문의 검출결과를 J 레벨, J-1 레벨에서 FROC(free response receiver operating characteristic)를 이용하여 분석하였다. 훈련 데이터의 J 레벨, J-1레벨의 해상도에서 TPF(True Positive Fraction)가 90% 일 때 영상 당 평균 FP(False Positive) 는 0.9 와 1 이었고, TPF 가 100% 일 때 영상 당 평균 FP는 1.5 와 1.6 이었다. 테스트 데이터에서는 J 레벨과 J-1 레벨의 해상도에서 TPF가 90% 일 때 영상 당 평균 FP 는 0.8 과 1, TPF 가 100% 일 때 영상 당 평균 FP는 1.3의 결과를 보였다. 이는 Cheng 등이 J 레벨에서 TPF가 90% 일 때 영상 당 평균 FP는 약 1.4 , TPF가 100% 일 때 영상 당 평균 FP는 약 2.1인 연구 결과 보다 우수한 결과이다.

[영문]X-ray mammography is currently the best technique in the screening and diagnosis of breast cancer and it is proved to be useful for early detection of breast cancer. Masses are one of the signs that has to be detected in X-ray mammograms. But masses can be hard to detect because, due to the projection, they are often partially covered by glandular tissue. Recent work has shown that many of the tumors that are missed by radiologists can be detected by a system that automatically detects masses. A computer aided diagnosis(CAD) system that prompts suspicious regions can draw the attention of the radiologist to a tumor they might otherwise overlook. In this study, we implemented a method to detect lesions with spiculated border using multiresolution analysis in mammograms. At first step, a candidate for lesion area is segmented from the training grup by multiresolution analysis and maximum likelihood segmentation. And 49 feature parameters extracted from segmented candidate for lesion areas, after that, important features which are concerned with a lesion with spiculated border are selected by logistic regression analysis. Finally, for the test group, we separate lesion with spiculated border and normal tissue using logistic discrimination made of selected features.

The performance of the classification for each analysis level was evaluated by the curve of a free-response receiver operating characteristic (FROC). In the training group, the number of FP(false positive) per image is 0.9 and 1 for level J and J-1 when TPF(true positive fraction) is 90%. The number of FP per image is 1.5 and 1.6 for level J and J-1 when TPF is 100%. For the test group, when TPF is 90%, the achieved number of FP per image is 0.8 and 1 for leve J and J-1. When TPF is 100%, that of FP per image is 1.3 for level J and J-1. This result is superior to that of Cheng who achieved the number of FP is 1.4 when TPF is 90% and that of FP is 2.1 when TPF is 100% at level J for the test group.