Пасынков Дмитрий Валерьевич — кандидат медицинских наук, доцент, заведующий кафедрой лучевой диагностики и онкологии; заведующий отделением лучевой диагностики
Author ID (Scopus) 57194777454; Researcher ID (WoS) HJH-2122–2023
424036, Йошкар-Ола, ул. Осипенко, д. 22
Dmitry V. Pasynkov — Cand. of Sci. (Med.), associate professor, head of the department of radiology and oncology, head of the department of radiology
Author ID (Scopus) 57194777454; Researcher ID (WoS) HJH-2122–2023
424036 Yoshkar-Ola, Osipenko St., 22
Романычева Екатерина Андреевна — врач-рентгенолог отделения лучевой диагностики
Author ID (Scopus) 57190967121
424036, Йошкар-Ола, ул. Осипенко, д. 22
Ekaterina A. Romanycheva — radiologist, department of radiology in Clinical Oncology Dispensary
Author ID (Scopus) 57190967121
424036 Yoshkar-Ola, Osipenko St., 22
Егошин Иван Александрович — младший научный сотрудник
Author ID (Scopus) 57194087483
424001, Йошкар-Ола, пл. Ленина, д. 1
Ivan A. Egoshin — junior researcher
Author ID (Scopus) 57194087483
424001 Yoshkar-Ola, Lenin sq., 1
Колчев Алексей Анатольевич — кандидат физико-математических наук, доцент
Author ID (Scopus) 6603495936
420008, Казань, ул. Кремлевская, д. 18, к. 1
Alexey A. Kolchev — Cand. of Sci. (Phys. And Math.), associate professor
Author ID (Scopus) 6603495936
424008 Kazan, Kremliovskaja St., 18
Меринов Сергей Николаевич — врач-рентгенолог отделения лучевой диагностики
424036, Йошкар-Ола, ул. Осипенко, д. 22
Serguei N. Merinov — radiologist, department of radiology
424036 Yoshkar-Ola, Osipenko St., 22
Бусыгина Ольга Валерьевна — врач-рентгенолог отделения лучевой диагностики
424036, Йошкар-Ола, ул. Осипенко, д. 22
Olga V. Busygina — radiologist, department of radiology
424036 Yoshkar-Ola, Osipenko St., 22
Михальцова Марина Алексеевна — врач-онколог отделения амбулаторной диагностики и лечения
424036, Йошкар-Ола, ул. Осипенко, д. 22
Marina A. Mikhaltsova — oncologist, department of out-patient diagnostics and treatment
24036 Yoshkar-Ola, Osipenko St., 22
ВВЕДЕНИЕ: Ранее нами была разработана система компьютерного анализа (CAD) маммограмм MammCheck II, которая обеспечила повышение выявляемости малых и трудно идентифицируемых форм рака молочной железы (РМЖ). Однако данная система не была предназначена для идентификации и дифференцирования кальцинатов, хотя наличие кальцинатов не влияло на способность данной системы идентифицировать РМЖ, проявляющийся объемными образованиями.
ЦЕЛЬ: Разработать методику автоматического дифференцирования доброкачественных и подозрительных кальцинатов и их скоплений на маммограммах и охарактеризовать ее клиническую ценность.
МАТЕРИАЛЫ И МЕТОДЫ: Для тестирования системы использовался набор из 390 маммографических изображений, содержавших кальцинаты всех типов (278 — с доброкачественными и 112 — с подозрительными кальцинатами). В качестве классификатора использовали линейный метод опорных векторов (SVM), который был предварительно обучен на наборе из 126 изображений скоплений кальцинатов (70 доброкачественных, 56 подозрительных). Было разработано две модели SVM: без анализа сосудистых кальцинатов и с таковым, которые были протестированы. Статистика: сравнение нормально распределенных выборок производили с использованием t-критерия Стьюдента, ненормально распределенных — с использованием критериев Уилкоксона и хи-квадрат. Оценка корреляции нормально распределенных выборок осуществлялась путем расчета коэффициента Пирсона, ненормально распределенных — коэффициентов Спирмена или Кендалла. Статистическую достоверность констатировали при получении значений р<0,05.
РЕЗУЛЬТАТЫ: При анализе результатов использования модели без анализа сосудистых кальцинатов было показано сходство мелких начальных кальцинатов данной природы с подозрительными, в результате данная модель ложно классифицировала 14 из 23 [60,87%] скоплений сосудистых кальцинатов как подозрительные. Это потребовало усовершенствования модели. Общие результаты дифференцирования кальцинатов всех типов (доброкачественных и злокачественных) при использовании обновленной модели с анализом сосудистых кальцинатов: истинно положительные заключения — 375/390 (96,15%), ложноположительные — 15/390 (3,84%). При этом в обоих случаях, когда подозрительные кальцинаты ошибочно маркировались как доброкачественные, ошибочное срабатывание отмечалось только на маммограммах в одной проекции, в то время как на маммограммах в другой проекции подозрительные кальцинаты были промаркированы верно.
ОБСУЖДЕНИЕ: При разработке CAD представляется важным не только маркировать подозрительные зоны, но и обеспечивать подавление ложноположительных меток, соответствующих очевидно доброкачественным процессам. Однако при этом важно не подавить истинно положительные метки, поэтому при создании подобных систем очевидно неизбежен некоторый перекос в сторону снижения прогностической ценности подозрительных меток за счет максимального повышения прогностической ценности доброкачественных меток. На наш взгляд, разработанный подход удовлетворяет такому требованию. Более того, его интеграция в CAD позволяет подавить, например, метки мягкотканных образований, ассоциированных с типичными доброкачественными кальцинатами, возникающие на предыдущих этапах работы CAD. Это, в свою очередь, способствует снижению частоты ложноположительных меток основного алгоритма CAD.
ЗАКЛЮЧЕНИЕ: Разработанный нами блок дифференцирования доброкачественных и подозрительных кальцинатов и их скоплений на маммограммах в версии с анализом сосудистых кальцинатов обеспечивает чувствительность 98,21% и специфичность 95,32% в реализации данной задачи. При этом прогностическая ценность отрицательного результата (NPV; доброкачественной метки) составила 99,25%, прогностическая ценность положительного результата (PPV; злокачественной метки) — 89,43%.
INTRODUCTION: Previously we developed the computer aided detection system (CAD) for mammography MammCheck II that increased the detection rate of small and difficult to detect breast carcinomas (BC). However this system was not specifically designed for calcification detection and discrimination. On the other hand, the calcifications had no influence on the CAD capability to detect BCs that appeared as a focal lesions.
OBJECTIVE: To develop the approach for automated differentiation of benign and suspicious calcifications on the mammography images and assess its clinical value.
MATERIALS AND METHODS: For the developed software testing we used a set of 390 mammography images with calcifications of all possible types (278 images with benign and 112 images with suspicious calcifications). For classification we used linear support vector machine (SVM) model, that was trained on the set of 126 images (70 — benign and 56 — suspicious). We developed two SVM models: with no vascular calcification analysis and with it. Statistics: for comparison between the normally distributed samples we used the Student’s T-test, for non-normally distributed — Wilcoxon signed-rank or Chi-square tests. For correlation testing of normally distributed samples the Paerson coefficient was calculated, for non-normally distributed samples — the Spearman or Kendall correlation coefficients. The statistical significance corresponded to Р-values <0,05.
RESULTS: During the testing of the first model version with no vascular calcification analysis we discovered the similarity of small early vascular calcifications and the suspicious ones. As a result this model falsely classified 14 of 23 (60.87%) vascular calcification clusters as suspicious. Therefore the model was improved. The final discrimination results for all calcification types (both benign and suspicious) obtained with the help of improved model were the following: true positive conclusions — 375/390 (96.15%), false positive conclusions — 15/390 (3.84%). In both cases when suspicious calcifications were classified as benign the wrong results were een only on one mammography view. At the same time, on another view the suspicious calcifications were correctly classified.
DISCUSSION: During the CAD development it seems important not only mark the suspicious areas but also suppress false positive markings corresponding to the obviously benign lesions. However it is important during this operation not to suppress the true positive markings. Therefore such systems are inevitably characterized by a certain shift to decreased prognostic value of suspicious markings at the expense of the highest possible prognostic value of benign markings. In our viewpoint, the developed approach meets this requirement. Moreover, its integration into the CAD allows to suppress the markings of soft tissue lesions associated with typical benign calcifications, appeared on the previous processing steps. This capability may decrease the false positive rate of the main CAD module.
CONCLUSION: The developed approach to benign and suspicious calcification discrimination (version with vascular calcification analysis) on the mammography image provided the sensitivity — 98.21%, specificity — 95.32%, negative predictive value (benign marking) — 99.25%, positive predictive value (suspicious marking) — 89.43%.
The authors declare that there are no conflicts of interest present.