Detection, classification, and prediction of breast abnormalities using sequential mammograms

Abstract

Ο καρκίνος είναι η δεύτερη πιο συχνή αιτία θανάτου παγκοσμίως, με τον καρκίνο του μαστού να ανέρχεται περίπου στο ~20% όλων των νέων περιστατικών παγκοσμίως. Η μαστογραφία αποτελεί το σημαντικότερο εργαλείο προ-συμπτωματικού ελέγχου για την έγκαιρη διάγνωση αλλά και τη διαχείριση του καρκίνου του μαστού. Τα τρέχοντα πρωτόκολλα απαιτούν αξιολόγηση της μαστογραφίας από δύο ακτινολόγους (και έναν τρίτο, εάν δεν υπάρχει ομοφωνία), γεγονός που αποτελεί ένδειξη των προκλήσεων που αντιμετωπίζουν οι ειδικοί στην προσπάθειά τους να αξιολογήσουν πιθανές ανωμαλίες σε μια μαστογραφία. Πιο συγκεκριμένα, σε ποσοστό 10% έως 30% των περιπτώσεων του καρκίνου του μαστού, οι ανωμαλίες δεν ανιχνεύονται, με αποτέλεσμα στο ~50% των περιπτώσεων να υπάρχουν ψευδώς αρνητικά αποτελέσματα. Τα τελευταία χρόνια διάφορα υπολογιστικά συστήματα έχουν αναπτυχθεί με σκοπό να υποστηρίξουν τους ακτινολόγους στη διάγνωση και ανίχνευση του καρκίνου του μαστού. Προκειμένου να εντοπίσουν, πιο αποτελεσματικά, πιθανές ανωμαλίες, οι ακτινολόγοι συγκρίνουν πρόσφατες και προηγούμενες μαστογραφίες του ίδιου ασθενή. Οι προηγούμενες μαστογραφίες, όταν είναι διαθέσιμες, μπορούν να παρέχουν χρήσιμες πληροφορίες στους ακτινολόγους. Έχει παρατηρηθεί ότι οι ύποπτες ανωμαλίες τείνουν να αναπτύσσονται μετά από μία “καθαρή” προηγούμενη μαστογραφία. Σύγκριση των εικόνων από τις δύο διαδοχικές απεικονίσεις χρησιμοποιείται συχνά από τους ακτινολόγους ώστε να αναγνωρίσουν και να αξιολογήσουν καινούργιες αλλοιώσεις που είναι πιο πιθανόν να είναι κακοήθεις. Η ανάλυση μαστογραφιών, με την συμπερίληψη προηγούμενων απεικονίσεων που είχαν αξιολογηθεί ως φυσιολογικές, θα μπορούσε να βελτιώσει σημαντικά τη διαγνωστική ικανότητα των αυτόματων συστημάτων, με σημαντικά οφέλη στην πρόληψη και διάγνωση του καρκίνου του μαστού. Σε αυτή τη διατριβή, αναπτύχθηκε ένας αλγόριθμος για την ακριβή ανίχνευση, κατηγοριοποίηση και πρόβλεψη ανωμαλιών του μαστού, που συνδυάζει την αφαίρεση διαδοχικών μαστογραφιών με αλγορίθμους μηχανικής μάθησης. Ο αλγόριθμος κατηγοριοποιεί τις κακοήθειες του μαστού με υψηλή ακρίβεια (90.3% για τις επασβεστώσεις, 98% για μάζες), και προβλέπει την ανάπτυξη κακοήθειας του μαστού στον επόμενο γύρο, με 83.7% ακρίβεια. Ο αλγόριθμος έχει τη δυνατότητα να εφαρμοστεί κλινικά σαν εργαλείο υποστήριξης των ακτινολόγων, αλλά και να προσφέρει βοήθεια σε λιγότερο ανεπτυγμένες χώρες με έλλειψη ακτινολόγων. Επίσης, έχει τη δυνατότητα ενισχύσει την εξατομικευμένη θεραπεία στην Κύπρο.

Cancer is the second most frequent cause of mortality worldwide with breast cancer accounting for ~20% of all new cancer cases worldwide. Mammography is an effective screening tool for the early detection and management of breast cancer. Current protocols require evaluation of the mammogram by two radiologists (and a third, if consensus is not reached), which is an indication of the challenges faced, even by experts, when attempting to identify potential abnormalities in a mammogram. Specifically, 10% to 30% of breast cancer cases are missed, resulting in a false negative rate of ~50%, depending on the type of abnormality, the age of the patient, and the breast density. To address the challenge of the radiological assessment of mammograms, Computer-Aided Diagnosis (CAD) systems are being developed to aid radiologists in the diagnosis of breast cancer. Radiologists routinely compare recent and prior images in order to more effectively identify abnormalities that have been developed between the screenings. When available, prior imaging can provide useful insights to the clinicians, allowing them to identify possible signs of malignancy earlier and with more certainty. It has been observed that suspicious abnormalities tend to develop after a “clear” prior mammogram, characterized as normal. Comparison of current and prior images is routinely used by radiologists to identify and evaluate new lesions that are more likely to be malignant. Analysis of mammographic images, including comparison with prior mammograms could significantly improve the accuracy of CAD systems, providing major benefits in the prevention and diagnoses of breast cancer. In this dissertation, an automatic algorithm was developed for the accurate detection, classification, and prediction of breast abnormalities, by combining subtraction of temporally sequential mammograms with machine learning. The algorithm classifies breast abnormalities with high accuracy, 90.3% for micro-calcifications and 98% for masses, and predicts the development of breast cancer in the next screening round, with 83.7% accuracy. The algorithm has the potential to be translated into clinical practice as a breast-cancer second reading tool, provide valuable assistance to clinicians, especially in less-developed countries, and substantially contribute to the early prediction of near-term breast cancer, with significant impact on patient prognosis.