Автоматическое дифференцирование кальцинатов и их скоплений на маммограммах: результаты работы блока системы компьютерного анализа

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%.

1. Sung H., Ferlay J., Siegel R.L. et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries // CA Cancer J. Clin. 2021. Vol. 71, No. 3. Р. 209–249. doi: 10.3322/caac.21660.

2. Шахзадова А.О., Старинский В.В., Лисичникова И.В. Состояние онкологической помощи населению России в 2022 году // Сибирский онкологический журнал. 2023. Т. 22, № 5. С. 5–13. doi: 10.21294/1814-4861-2023-22-5-5-13.

3. Lauby-Secretan B., Scoccianti C., Loomis D., Benbrahim-Tallaa L., Bouvard V., Bianchini F., Straif K. Breast-cancer screening — viewpoint of the IARC Working Group // The New England Journal of Medicine. 2015. Vol. 372, No. 24. Р. 2353–2358. doi: 10.1056/NEJMsr1504363.

4. Ali M.A., Czene K., Hall P., Humphreys K. Association of Microcalcification Clusters with Short-term Invasive Breast Cancer Risk and Breast Cancer Risk Factors // Sci. Rep. 2019. Vol. 9, No. 1. Р. 1–8. doi: 10.1038/s41598-019-51186-w.

5. Громов А.И., Комин Ю.А., Мозеров С.А., Красницкая С.К. Ультразвуковой мерцающий артефакт в дифференциальной диагностике кальцинатов молочных желез // Медицинская визуализация. 2021. Т. 25, № 3. С. 157–166. doi: 10.24835/1607-0763-1025.

6. Bennani-Baiti B., Baltzer P.A. MR Imaging for Diagnosis of Malignancy in Mammographic Microcalcifications: A Systematic Review and Meta-Analysis // Radiology. 2017. Vol. 283, No. 3. Р. 692–701. doi: 10.1148/radiol.2016161106.

7. Masud R., Al-Rei M., Lokker C. Computer-Aided Detection for Breast Cancer Screening in Clinical Settings: Scoping Review // JMIR Med Inform. 2019. Vol. 7, No. 3. e12660. doi: 10.2196/12660.

8. Rao A.A., Feneis J., Lalonde C., Ojeda-Fournier H. A Pictorial Review of Changes in the BI-RADS. Fifth Edition // Home Radio Graphics. 2016. Vol. 36, No 3. Р. 623–639. URL: https://doi.org/10.1148/rg.2016150178.

9. Egoshin I., Pasynkov D., Kolchev A., Kliouchkin I., Pasynkova O. A segmentation approach for mammographic images and its clinical value // IEEE International Conference on Microwaves, Antennas, Communications and Electronic Systems (COMCAS) (Tel-Aviv, Israel, November 13–15, 2017). Tel-Aviv, Israel, 2017. P. 1–6. doi: 10.1109/COMCAS.2017.8244764.

10. Пасынков Д.В., Егошин И.А., Колчев А.А., Клюшкин И.В., Пасынкова О.О. Эффективность системы компьютерного анализа маммограмм в диагностике вариантов рака молочной железы, трудно выявляемых при скрининговой маммографии // Russian Electronic Journal of Radiology. 2019. Т. 9, № 2. С. 107–118. doi: 10.21569/2222-7415-2019-9-2-107-118.

11. Хасанов Р.Ш., Тухбатуллин М.Г., Пасынков Д.В. Эффективность применения системы компьютерного анализа маммограмм при скрининге рака молочной железы: одноцентровое, проспективное, рандомизированное клиническое исследование // Вопросы онкологии. 2021. Т. 67, № 6. С. 777–784. doi: 10.37469/0507-3758-2021-67-6-777-784.

12. Пасынков Д.В., Егошин И.А., Колчев А.А., Романычева Е.А., Клюшкин И.В., Пасынкова О.О. Обнаружение и классификация скоплений микрокальцинатов на маммографических изображениях // Медицинская техника. 2024. № 1. С. 29–32.

13. Chaudhury S., Rakhra M., Memon N., Sau K., Ayana M.T. Breast Cancer Calcifications: Identification Using a Novel Segmentation Approach // Comput. Math Methods Med. 2021. Vol. 2021, P. 9905808. doi: 10.1155/2021/9905808.

14. Guirguis M.S., Adrada B., Santiago L., Candelaria R., Arribas E. Mimickers of breast malignancy: imaging findings, pathologic concordance and clinical management // Insights Imaging. 2021. Vol. 12, No. 1, p. 53. doi: 10.1186/s13244-021-00991-x.

15. Oliveira E.L., Freitas-Junior R., Afiune-Neto A., Murta E.F., Ferro J.E., Melo A.F. Vascular calcifications seen on mammography: an independent factor indicating coronary artery disease // Clinics (Sao Paulo). 2009. Vol. 64, No. 8. Р. 763–767. doi: 10.1590/S1807-59322009000800009.

16. Loizidou K., Skouroumouni G., Nikolaou C., Pitris C. An Automated Breast Micro-Calcification Detection and Classification Technique Using Temporal Subtraction of Mammograms // IEEE Access. 2020. Vol. 8. Р. 52785–52795. doi: 10.1109/ACCESS.2020.2980616.

17. Gowri V., Valluvan K.R., Chamundeeswari V.V. Automated Detection and Classification of Microcalcification Clusters with Enhanced Preprocessing and Fractal Analysis // Asian Pac. J. Cancer Prev. 2018. Vol. 19, No. 11. Р. 3093–3098. doi: 10.31557/APJCP.2018.19.11.3093.

18. Brahimetaj R., Willekens I., Massart A., Forsyth R., Cornelis J., De Mey J., Jansen B. Improved automated early detection of breast cancer based on high resolution 3D micro-CT microcalcification images // BMC Cancer. 2022. Vol. 22, No. 1. Р. 162. doi: 10.1186/s12885-021-09133-4.

19. Veldkamp W.J.H., Karssemeijer N., Otten J.D.M., Hendriks J.H.C.L. Automated classification of clustered microcalcifications into malignant and benign types // Med. Phys. 2000. Vol. 27, No. 11. Р. 2600–2608. doi: 10.1118/1.1318221.

20. Кузнецов А.А., Климова Н.В. Возможности программы поиска скоплений микрокальцинатов на цифровых маммограммах для повышения эффективности диагностики рака молочной железы // Вестник СурГУ. Медицина. 2022. Т. 53, № 3. С. 46–50. doi: 10.34822/2304-9448-2022-3-46-50.