日本語AIでPubMedを検索
形態学的特徴、運動学的特徴、および時空間的特徴の選択を組み合わせたマルチパラメトリックモデルを用いた、塊状病変のダイナミックコントラスト強調乳房MRIのためのコンピュータ支援診断
Computer-aided diagnosis for dynamic contrast-enhanced breast MRI of mass-like lesions using a multiparametric model combining a selection of morphological, kinetic, and spatiotemporal features.
PMID: 22482596 DOI: 10.1118/1.3691178.
抄録
目的:
動的造影磁気共鳴画像法（DCE-MRI）は、乳房病変の検出と識別のための放射線学的ツールである。本研究の目的は、乳房病変の形態学的特徴、運動学的特徴、および時空間的特徴を組み合わせて、DCE-MRIにおける乳房病変の悪性と良性を識別するためのコンピュータ支援診断（CAD）システムを評価することである。
PURPOSE: Dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) is a radiological tool for the detection and discrimination of breast lesions. The aim of this study is to evaluate a computer-aided diagnosis (CAD) system for discriminating malignant from benign breast lesions at DCE-MRI by the combined use of morphological, kinetic, and spatiotemporal lesion features.
方法:
51人の患者の55人の悪性乳房病変と19人の良性乳房病変をレトロスペクティブに評価した。画像は2つのセンターで1.5Tで取得した。塊状の病変は、画像の正規化とコントラスト強調フレームの弾性共レジストレーションの後、自動的にセグメント化された。各病変について、28個の3次元特徴を抽出した：10個の形態学的特徴（形状、余白、内部強調分布に関連する）、9個の運動学的特徴（信号対時間曲線から計算）、9個の時空間的特徴（隣接するフレーム間の信号の変動に関連する）。サポートベクターマシン（SVM）は、遺伝的探索によって選択された特徴サブセットで訓練された。最良の部分集合は、多数決によって選択された最も頻度の高い特徴から構成された。性能は、層化10倍クロスバリデーションと信頼区間のブートストラップ法を用いた受信機演算子特性分析によって測定した。
METHODS: Fifty-four malignant and 19 benign breast lesions in 51 patients were retrospectively evaluated. Images were acquired at two centers at 1.5 T. Mass-like lesions were automatically segmented after image normalization and elastic coregistration of contrast-enhanced frames. For each lesion, a set of 28 3D features were extracted: ten morphological (related to shape, margins, and internal enhancement distribution); nine kinetic (computed from signal-to-time curves); and nine spatiotemporal (related to the variation of the signal between adjacent frames). A support vector machine (SVM) was trained with feature subsets selected by a genetic search. Best subsets were composed of the most frequent features selected by majority rule. The performance was measured by receiver operator characteristics analysis with a stratified tenfold cross-validation and bootstrap method for confidence intervals.
結果:
3 つのクラスに分離された特徴による SVM 学習は、形態学的特徴、運動学的特徴、および時空間的特徴について、それぞれ 0.90 ± 0.04 (平均±標準偏差)、0.87 ± 0.06、および 0.86 ± 0.06 の曲線下面積 (AUC) をもたらしました。全28の特徴を用いた複合訓練の結果、2つの形態学的特徴、1つの運動学的特徴、および2つの時空間的特徴からなる選択された特徴サブセットでは、0.96±0.02のAUCが得られた。
RESULTS: SVM training by the three separated classes of features resulted in an area under the curve (AUC) of 0.90 ± 0.04 (mean ± standard deviation), 0.87 ± 0.06, and 0.86 ± 0.06 for morphological, kinetic, and spatiotemporal feature, respectively. Combined training with all 28 features resulted in AUC of 0.96 ± 0.02 obtained with a selected feature subset composed by two morphological, one kinetic, and two spatiotemporal features.
結論:
形態学的特徴、運動学的特徴、および時空間的特徴の定量的な組み合わせは実行可能であり、3つの異なるクラスの特徴を別々に使用するよりも高い識別力を提供する。
CONCLUSIONS: Quantitative combination of morphological, kinetic, and spatiotemporal features is feasible and provides a higher discriminating power than using the three different classes of features separately.