Featurebasierte Strukturanalyse von Mammographien zur Abschätzung des individuellen Brustkrebsrisikos - opus4.kobv.de
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Featurebasierte Strukturanalyse von
Mammographien zur Abschätzung des
individuellen Brustkrebsrisikos
Der Medizinischen Fakultät
der Friedrich-Alexander-Universität
Erlangen-Nürnberg
zur
Erlangung des Doktorgrades Dr. med.
vorgelegt von
Freya Ilsabe Brunkhorst
Als Dissertation genehmigt
von der Medizinischen Fakultät
der Friedrich-Alexander-Universität Erlangen-Nürnberg
Tag der mündlichen Prüfung: 25.05.2021
Vorsitzender des Promotionsorgans: Prof. Dr. med. Markus
Neurath
Gutachter: Prof. Dr. Alexander Josef Cavallaro
Prof. Dr. Michael Uder
Für meine Familie, die mich immer unterstützt hat.
Inhalt 1) Abstract und Zusammenfassung.................................................................... 1 2) Einleitung ....................................................................................................... 4 3) Hintergrund .................................................................................................... 5 4) Stand der Technik .......................................................................................... 8 4.1) Verwandte Arbeiten ................................................................................. 8 4.2) MammoFeatureMap............................................................................... 11 5) Material ........................................................................................................ 13 6) Arbeitsschritte .............................................................................................. 15 6.1) Patientendaten anonymisieren............................................................... 15 6.2) Mammographien annotieren .................................................................. 15 6.3) Templates für die Feature Extraktion ..................................................... 16 6.4) Farbauswahl .......................................................................................... 18 6.5) Extraktion der Texture Features............................................................. 19 6.6) Methoden zur Auswertung ..................................................................... 21 7) Ergebnisse ................................................................................................... 24 7.1) Ergebnisse der Farbkartenauswertung .................................................. 24 7.2) Ergebnisse der möglichen Einflussfaktoren ........................................... 28 8) Diskussion .................................................................................................... 31 8.1) Vergleich mit anderen Projekten ............................................................ 31 8.2) Limitationen und methodische Einschränkungen ................................... 32 8.3) Ausblick ................................................................................................. 34 Literaturverzeichnis .......................................................................................... 37 Abbildungsverzeichnis ...................................................................................... 41
1) Abstract und Zusammenfassung
Abstract
Background and Aims:
Breast cancer, being the leading cause of cancer-related deaths among
women, is an increasingly relevant disease in our society. For a good
prognosis, it is essential to find the cancer in a locally limited stadium. As part of
this thesis, the computer program MammoFeatureMap was developed. This
program presents a concept for an automated detection of architectural
distortion of the breast tissue via feature extraction. Architectural distortion can
serve as an early indicator for a developing breast cancer or an individually
increased breast cancer risk and thus contribute to an earlier diagnosis and
consequently improved prognosis.
Methods:
Mammograms of 53 patients with histologically ascertained breast cancer have
been analyzed. In 38 cases, the mammograms at the point of the initial
diagnosis were examined and in 15 cases additional mammograms at earlier
points in time. Following the segmentation of the breast tissue and the
registration, the features were extracted, and the results displayed as color-
coded maps. The utilized features were CentralMoments::Mean,
HistogramFeatures::Max with 256 or 10 Bins and
BreastDensity::MeanROICompactness. Subsequently, the maps were
interpreted, and possible influential factors evaluated.
Results:
Using the features CentralMoments::Mean and HistogramFeatures::Max with
256 Bins, it was possible to automatically display the density of different areas
of the tissue relatively to each other as a color-coded map. Additionally, rough
changes over time could be detected. Indications of an increased risk for breast
cancer could not yet be found. The quality of the registration and the overall
brightness of the mammograms were determined as important influential
factors.
1Conclusions:
Generally, the analysis of the architecture of breast tissue via feature extraction
seems feasible and could serve as a foundation for the automated prediction of
the individual breast cancer risk. As a next step, several changes and additions
to MammoFeatureMap seem beneficial. These could include a more accurate
registration, standardization of the color-coded maps and the combination of
different features.
Zusammenfassung
Hintergrund und Ziele:
Brustkrebs ist, als häufigste krebsbedingte Todesursache von Frauen, eine
zunehmend relevante Erkrankung in unserer Gesellschaft. Entscheidend für die
Prognose ist dabei die Diagnose in einem lokal begrenzten Stadium. Das im
Rahmen dieser Arbeit entwickelte Programm MammoFeatureMap soll ein
Konzept für das automatische Erkennen verdächtiger Bruststruktur-
veränderungen mittels Feature Extraktion sein. Diese können frühe Hinweise
auf einen entstehenden Brustkrebs oder ein erhöhtes individuelles
Brustkrebsrisiko geben und so zu einer früheren Diagnose und verbesserten
Prognose beitragen.
Methoden (Patienten, Material und Untersuchungsmethoden):
Es wurden Mammographien von 53 Patientinnen mit histologisch gesichertem
Brustkrebs mit MammoFeatureMap analysiert. Bei 38 Fällen wurden
Mammographien am Zeitpunkt der Erstdiagnose verwendet und bei 15 Fällen
zusätzlich Mammographien von früheren Zeitpunkten. Nach der Segmentierung
des Brustgewebes und der Registrierung wurden die Features extrahiert und
die Ergebnisse als Farbkarten dargestellt. Die verwendeten Features waren
CentralMoments::Mean, HistogramFeatures::Max mit 256 oder 10
Histogrammklassen und BreastDensity::MeanROICompactness. Daraufhin
folgten die Interpretation der Farbkarten und die Bewertung möglicher
Einflussfaktoren.
2Ergebnisse und Beobachtungen:
Mit den Features CentralMoments::Mean und HistogramFeatures::Max mit 256
Histogrammklassen ist es gelungen, automatisch die Dichte des Gewebes in
einzelnen Bereichen relativ zueinander mit Farbkarten darzustellen und grobe
Veränderungen im zeitlichen Verlauf zu detektieren. Hinweise auf das
individuelle Brustkrebsrisiko konnten daraus allerdings noch nicht abgeleitet
werden. Als wichtige Einflussfaktoren wurden die Qualität der Registrierung und
die Helligkeit der Ausgangsmammographie herausgearbeitet.
(Praktische) Schlussfolgerungen:
Grundsätzlich ist die Bruststrukturanalyse mittels Feature Extraktion ein
denkbarer Ansatz auf dem Weg zur individuellen Prädiktion des
Brustkrebsrisikos. Als nächster Schritt wären einige Veränderungen von
MammoFeatureMap sinnvoll. Dazu gehören beispielsweise eine genauere
Registrierung, eine Normierung der Farbkarten und die Verwendung von
Kombinationen verschiedener Features.
32) Einleitung
Brustkrebs ist ein politisch und emotional zunehmend bedeutsames
Krankheitsbild. Das wird zum einen deutlich bei einem Blick auf die steigenden
Fallzahlen von Brustkrebs in Deutschland (Bertz et al., 2010), zum anderen auf
den gleichzeitig steigenden Anspruch an die Diagnostik und Therapie sowie die
wachsenden Qualitätsanforderungen. Weiterhin ist eine zunehmende
Individualisierung zu beobachten, welche für die einzelnen Patientinnen jeweils
die bestmögliche Versorgung bieten soll. Demgegenüber steht eine nur
unzureichend wachsende Zahl von ärztlich tätigen Medizinern
(Bundesärztekammer, 2016). Insgesamt zeichnet sich demnach eine
zunehmende Mehrbelastung von Ärzten und Gesundheitssystem ab. Um eine
angemessene Behandlung bei gleichzeitiger wirtschaftlicher Effizienz zu
gewährleisten, werden zunehmend Systeme zur computer-assisted-detection
oder computer-aided-diagnosis (CAD) entwickelt. In Bezug auf Brustkrebs
sollen diese Programme computergestützt Hilfe bei der Befundung von
Mammographien leisten (Obenauer and Hermann, 2012).
Angeknüpft an das Konzept der CAD-Systeme, wurde im Rahmen des
Projektes Klinische Datenintelligenz (KDI) das Programm MammoFeatureMap
vom Fraunhofer IIS entwickelt. Dieses Programm soll einen Baustein auf dem
Weg zur automatischen Analyse von Strukturveränderungen des Brustgewebes
in Mammographien darstellen. Einige dieser Strukturveränderungen könnten
auf ein erhöhtes Erkrankungssrisiko für individuelle Patientinnen hinweisen und
damit zu einer früheren Erkennung und Verbesserung der Prognose beitragen.
Für die Analyse der Bruststruktur wurden sogenannte Texture Features aus den
Bildern extrahiert. Im Rahmen dieser Dissertation wurde das Programm als ein
mögliches Konzept getestet und evaluiert.
43) Hintergrund
Brustkrebs ist der häufigste maligne Tumor bei Frauen. Pro Jahr erkranken in
Deutschland etwa 70.000 Frauen neu an Brustkrebs und etwa 17.000 Frauen
pro Jahr sterben daran (Kaatsch et al., 2015). Somit ist Brustkrebs seit Jahren
die häufigste krebsbedingte Todesursache von Frauen (Bertz et al., 2010).
Goldstandard für die Diagnose ist die Mammographie, wobei die früher
verwendete analoge filmbasierte Technik immer weiter durch die digitale
Mammographie ersetzt wird. Für die Prognose der einzelnen Patientinnen ist es
außerordentlich wichtig, den Krebs in einem lokal begrenzten Stadium zu
entdecken, da ein fernmetastasierter Brustkrebs immer noch als praktisch
unheilbar gilt (Onkologie, 2012). Individualisierte Untersuchungszeiträume
durch eine Risikostratifikation könnten zusätzlich dazu beitragen, den Krebs
möglichst früh zu entdecken. Zur Früherkennung wurde in den Jahren 2005 bis
2009 das Mammographie Screening in Deutschland eingeführt. Jede Frau
zwischen 50 und 69 Jahren darf hieran teilnehmen. Die Mammographien jeder
Teilnehmerin werden im Rahmen der Doppelbefundung unabhängig
voneinander von zwei Befundenden ausgewertet. Im Jahr 2013 nahmen ca. 2,9
Millionen Frauen an dieser Untersuchung teil (Malek and Kääb-Sanyal, 2016).
Hier wird ein sehr hoher zeitlicher und personeller Aufwand deutlich. Weiterhin
verursacht das Mammographie-Screening pro Jahr Kosten im dreistelligen
Millionenbereich. Eine effizientere Gestaltung von Screening und Befundung
könnten hier zur Kostensenkung beitragen (Mühlhauser, 2013).
Zudem stellt eine Mammographie immer auch eine Strahlenbelastung für die
Teilnehmerinnen dar. Abhängig von der Dicke der Brust beträgt die
durchschnittliche mittlere Parenchymdosis pro Aufnahme 1-2 mGy (Bick, 2006).
Im Hinblick darauf, dass bei den fast 2,9 Millionen gescreenten Frauen nur
knapp 17.500 Fälle von Brustkrebs entdeckt wurden, bietet die Möglichkeit
einer Individualisierung der Untersuchungszeiträume die Chance, die
Strahlenbelastung bei gesunden Frauen zu verringern (Malek and Kääb-Sanyal,
2016). Zusätzlich kann das Mammographie-Screening auch eine psychische
Belastung für die Frauen darstellen (Mühlhauser, 2013). Auch hier könnte eine
5Verlängerung der Untersuchungszeiträume für Frauen mit geringem
Erkrankungsrisiko die Belastung verringern.
Neben der effizienteren Gestaltung des Screenings, bietet auch das Befunden
von Mammographien als solches noch Verbesserungspotential. Die Sensitivität
für das Erkennen von Brustkrebs liegt abhängig von Alter und Brustgewebe
zwischen ca. 63% bei sehr dichtem Gewebe bis ca. 87% bei fast vollständiger
Involution. In der Altersgruppe von 50 bis 69 Jahren, welche am Screening-
Programm teilnimmt, liegt die Sensitivität bei etwa 75%. Die Spezifität beträgt je
nach Dichte etwa 89 bis 97% (Carney et al., 2003). Des Weiteren leidet die
Befundung von Mammographien unter einem hohen Maß an Subjektivität. Das
gleiche Bild wird von verschiedenen Befundenden häufig unterschiedlich
bewertet, im zeitlichen Abstand unterscheiden sich in einigen Fällen sogar die
Befunde eines einzelnen Befundenden (Ciccone et al., 1992). Hier können
CAD-Systeme einen zusätzlichen, objektiveren Blickwinkel eröffnen (Jiang et
al., 2001).
Nachdem nun dargelegt wurde, weshalb der Einsatz von CAD-Systemen im
Rahmen der Befundung von Mammographien und des Screenings sinnvoll ist,
soll im Folgenden auf die Brustgewebestruktur eingegangen werden. Diese mit
Hilfe der Texture Features zu beschreiben und Veränderungen zu detektieren
soll, wie zuvor erwähnt, der Kern des Programms MammoFeatureMap sein.
Die weibliche Brust ist aus verschiedenen Gewebearten aufgebaut, im
Wesentlichen aus Drüsen-, Fett- und Bindegewebe. Das Drüsengewebe
wiederum, welches für die Produktion der Muttermilch verantwortlich ist, besteht
aus den Azini, welche zu Lobuli und weiter zu Lobi zusammengefasst werden.
Die 15 bis 20 Lobi besitzen jeweils Ausführungsgänge, welche über den Sinus
lactiferi an die Oberfläche der Mamille münden. Diese Anteile bestimmen
zusammen mit dem Verlauf von Nerven, Blut- und Lymphgefäßen die Struktur
des Brustgewebes (Kaufmann and Zimpelmann, 2013). Im Laufe des Lebens ist
das Gewebe einigen Veränderungen unterworfen, die durch wechselnde
Hormonspiegel im Zuge des Zyklus oder einer Schwangerschaft sowie durch
die Menopause verursacht werden (Gruber, 2009). Vereinfacht gesagt nimmt
6der Anteil an Drüsengewebe mit dem Alter ab und der Anteil des Fettgewebes
zu, was als Involution bezeichnet wird (Tscherne, 1999).
Neben diesen natürlichen Veränderungen der Bruststruktur, finden sich auch
eine Vielzahl von Veränderungen, die auf andere benigne oder maligne
Ursachen zurückzuführen sind. Laut der Definition des Breast Imaging
Reporting and Data System (BI-RADS) des American College of Radiology
(ACR) gehen diese Architekturstörungen mit von einem Punkt ausstrahlenden
Spiculae, fokalen Retraktionen oder Raffungen an den Parenchymrändern
einher. Eine sichtbare Herdläsion fehlt jedoch. Neben benignen Ursachen, wie
beispielsweise einer radiären Narbe, ist beim Vorhandsein einer
Architekturstörung auch an einen malignen Tumor zu denken (Radiology,
2016). Tatsächlich tritt nicht tastbarer Brustkrebs mammographisch am
dritthäufigsten als Architekturstörung auf und in der Hälfte der Brustkrebsfälle
waren vor der Erstdiagnose Architekturstörungen in den Mammographien zu
finden (Gaur et al., 2013). Das zeigt die große Bedeutung der
Architekturstörung als Risikofaktor für die Entstehung von Brustkrebs. Trotzdem
gilt sie als die am häufigsten übersehene Abnormität in Mammographien (Ayres
and Rangayvan, 2005). Häufig fallen Bruststrukturveränderungen bei der
Befundung heraus, da sie für Menschen schwer wahrzunehmen sind. Der
Vorteil einer computergestützten Analyse mittels CAD-System liegt zum einen
in einer höheren Genauigkeit und zum anderen darin, dass einmal
ausgewertete Bruststrukturen auch von unterschiedlichen Befundenden immer
wieder zum Vergleich herangezogen werden können.
74) Stand der Technik
Wie in den vorherigen Abschnitten dargestellt, ist die Relevanz einer
Verbesserung der Befundung von Mammographien unbestreitbar. Daher wird
schon seit Jahren versucht, die Befundung durch Automatisierung effizienter
und genauer zu gestalten. Hier kommen die sogenannten CAD-Systeme zum
Einsatz. CAD steht, wie zuvor erwähnt, für computer-assisted-detection oder
computer-aided-diagnosis. Grundsätzlich sollen diese Systeme als
Interpretations- und Entscheidungshilfe bei der Befundung von medizinischem
Bildmaterial fungieren. Schon in den 1990er Jahr entstanden die ersten CAD-
Systeme für das Befunden von Mammographien (Vyborny and Giger, 1994).
Seither wird stetig versucht, die Technik zu verbessern und neue Funktionen zu
entwickeln.
4.1) Verwandte Arbeiten
Bei der Entwicklung von CAD-Systemen für Mammographien gibt es
verschiedene Ansätze.
Zum einen werden auffällige Massen und/oder Verkalkungen detektiert und
dem Befunder angezeigt. Mit verschiedensten mathematischen und
informatischen Methoden, zum Beispiel der Analyse von Grauwerten, werden
sogenannte regions of interest (ROI) detektiert und markiert. So soll der
Befunder auf malignitätsverdächtige Massen beziehungsweise Karzinome
hingewiesen werden. Dieser Ansatz wird schon seit den Anfängen der CAD-
Systeme für Mammographien verfolgt. So zum Bespiel beim R2 Image Checker
der Firma Hologic, einem der ersten CAD-Systeme für Mammographien, oder
beim Secondlook von iCAD. Diese Art der CAD-Systeme findet etwa in den
USA breite Anwendung, auch wenn noch nicht abschließend geklärt werden
konnte, ob ihr Einsatz bessere Ergebnisse erzielt als die Doppelbefundung
durch zwei Radiologen (Azavedo et al., 2012).
Ein weiterer Ansatz ist die Bestimmung der mammographischen Dichte des
Brustgewebes. Die mammographische Dichte stellt den wichtigsten Risikofaktor
für die Entstehung von Brustkrebs dar, was bedeutet: je höher die Dichte, desto
höher das Erkrankungsrisiko (Boyd et al., 1995). Die Dichte hat außerdem
8großen Einfluss auf die frühzeitige Entdeckung von Brustkrebs. In dichtem
Gewebe werden maligne Massen häufiger übersehen und damit oft erst in
späteren Stadien entdeckt, was die Prognose der Patientinnen verschlechtert
(Yaffe, 2008). Daher wurden Klassifikationen entwickelt, um Mammographien
anhand ihrer Dichte einzuteilen und Hinweise auf das Brustkrebsrisiko zu
geben. Die älteren Systeme basieren auf der subjektiven Einteilung durch den
Radiologen, zum Beispiel die Klassifikation nach Wolfe (Wolfe, 1976) oder der
des American College of Radiology (ACR) (Radiology, 2016). Um die
Klassifikation zu automatisieren, wurden verschiedene Programme für die
Bestimmung der Dichte entwickelt. Diese fußen beispielsweise auf der
Einteilung anhand von Grauwerten (Byng et al., 1994) oder statistischen
Methoden (Heine et al., 2008).
Neben der mammographischen Dichte scheint das Brustkrebsrisiko jedoch
zusätzlich von der Heterogenität des Brustgewebes und anderen, in den
Mammographien enthaltenen Faktoren abhängig zu sein (Torres-Mejía et al.,
2005). Daher besteht ein weiterer aktuell verfolgter Ansatz darin, das
Brustgewebe mit sogenannten Texture Features zu analysieren. Diese
Features stellen verschiedene Bildmerkmale dar, welche in den
Mammographien enthalten sind. Die Ausprägung dieser Merkmale soll
Hinweise auf das Vorhandensein oder das mögliche Entstehen von Brustkrebs
liefern. So soll die Diagnose erleichtert und das Erkrankungsrisiko abgeschätzt
werden können.
Insgesamt gibt es mehrere hundert Texture Features, welche aus
Mammographien extrahiert werden können. Für einen groben Überblick können
diese in fünf verschiedene Gruppen unterteilt werden:
• Statistische Features
• Moment-basierte Features
• Form-basierte Features
• Spektrale Features
• Strukturelle Features
9Die statistischen Features werden aus Grauwerten berechnet und bestehen
beispielsweise aus Histogrammen. Moment-basierte Features werden ebenfalls
aus Grauwerten berechnet. Hier werden zum Beispiel die vier Central Moments
genannten Features mean (Mittelwert), variance (Varianz), skewness (Schiefe)
und kurtosis (Wölbung) verwendet. Form-basierte Features beschreiben die
Form der ROI. Die spektralen Features zeigen Regionen auf, die eine ähnliche
Textur aufweisen. Strukturelle Features geben Informationen über den Feinbau
der Bruststruktur. Hierunter fallen beispielsweise run-length Features, welche
die Grobheit der Bruststruktur messen, indem die Länge aufeinanderfolgender
Pixel des gleichen Grauwertes gezählt wird (Häberle et al., 2012). Der
Vollständigkeit halber sei erwähnt, dass auch andere Einteilungen der Features
möglich sind (Gastounioti et al., 2016).
In den letzten Jahren wurden verschiedene Studien zur Aussagekraft der
Texture Features durchgeführt. Manduca et al. verglichen die
mammographische Dichte mit verschiedenen Texture Features aus
unterschiedlichen Klassen im Zuge einer Fall-Kontroll-Studie. Die getesteten
Features sagten die Entstehung von Brustkrebs so genau vorher wie die
mammographische Dichte, allerdings auch nicht präziser. Auch die Kombination
von mammographischer Dichte und Texture Features brachte keinen Vorteil
(Manduca et al., 2009).
Eine Studie von Wei et al. hingegen wies in eine andere Richtung. In einer Fall-
Kontroll-Studie wurde die Brustgewebestruktur in einer retroaureolär gelegenen
ROI untersucht. Dafür wurde ein Set aus einem region-size und zwei run-length
Features im Vergleich mit der mammographischen Dichte verwendet. Im
Hinblick auf das Krebsrisiko ergab sich, dass die Texture Features besser die
Mammographien von gesunden Patientinnen von denen der Patientinnen
unterscheiden konnten, welche später Brustkrebs entwickelten. Da die
verwendeten Features außerdem scheinbar unabhängig von der
mammographischen Dichte waren, könnten sie als zusätzliche Prädiktoren für
das Brustkrebsrisiko verwendet werden (Wei et al., 2011).
10Häberle et al. evaluierten im Rahmen einer Fall-Kontroll-Studie verschiedene
Texture Features im Hinblick auf ihre Aussagekraft bezüglich des
Brustkrebsrisikos und verglichen diese mit der mammographischen Dichte.
Untersucht wurden statistische, Moment-basierte, Form-basierte, und spektrale
Features, welche aus dem zuvor segmentierten Brustgewebe extrahiert
wurden. 46 Features wurden schließlich ausgewählt und zeigten, dass das
Brustkrebsrisiko mit Hilfe der verwendeten Features eingeschätzt werden kann.
Dabei schienen einige Features die Dichte des Brustgewebes wiederzugeben;
zusätzlich schienen aber noch andere Features das Brustkrebsrisiko zu
beeinflussen (Häberle et al., 2012).
Zheng et al. erarbeiteten eine Methode, in welcher die Feature Extraktion
entlang eines Gitters erfolgte, welches über das zuvor segmentierte
Brustgewebe gelegt wurde. Extrahiert wurde jeweils an den Kreuzungen des
Gitters und im Gewebe darum herum, woraufhin die errechneten Werte über
das gesamte Brustgewebe gemittelt wurden. Auch hier wurden Fälle und
Kontrollen verwendet. Die Aussagekraft der extrahierten statistischen und
strukturellen Features wurde mit der der mammographischen Dichte und der
aus einzelnen ROIs innerhalb der Brust extrahierten Features verglichen. Die
höchste Aussagekraft hatte eine Kombination aus mehreren Features.
Außerdem stellte sich Extraktion entlang des Gitters über das gesamte
Brustgewebe als überlegen über die Extraktion aus einem oder mehreren ROIs
heraus. Des Weiteren lieferte ein enges Gitter aussagekräftigere Werte als ein
Gitter mit weiten Zwischenräumen (Zheng et al., 2015).
4.2) MammoFeatureMap
Das im Rahmen dieser Doktorarbeit verwendete Programm
MammoFeatureMap knüpft an den Ansatz der Brustgewebeanalyse mittels
Texture Features an. So sollen Strukturveränderungen automatisch detektiert
und das Erkrankungsrisiko abgeschätzt werden.
Zur Extraktion der Features wird zunächst das Brustgewebe segmentiert und
ein Template mit ringförmigen Sektoren auf die Mammographie gelegt
(Registrierung). Nun werden die ausgewählten Features extrahiert und als
11Farbkarte dargestellt. Anstatt einer Fall-Kontroll-Studien wurden ausschließlich
Mammographien von erkrankten Frauen verwendet und mit früheren
Mammographien derselben Frauen verglichen. Ziel ist es, auf den Farbkarten
Merkmale und Veränderungen zu erkennen, welche vorhandenen Brustkrebs
oder ein erhöhtes Risiko hierfür zu finden.
125) Material
Sämtliche Bilder und Daten stammen aus der Datenbank der Universitätsklinik
Erlangen. Die Bilder wurden mittels Direktradiographie aufgenommen und im
DICOM Format gespeichert und verarbeitet.
Bei der Sichtung der Daten wurden aus mehreren tausend Patientinnen
zunächst nur diejenigen ausgewählt, bei denen digitale Mammographien
angefertigt wurden. Analoge, konventionelle Mammographien wurden
ausgeschlossen. Aus diesem Pool wiederum wurden nur erkrankte Patientinnen
ausgewählt. Von den erkrankten Patientinnen wurden zuletzt noch diejenigen
mit Brustimplantaten ausgeschlossen. Schließlich wurden für das Projekt 53
Patientinnen ausgewählt, bei denen Brustkrebs mammographisch diagnostiziert
und histologisch gesichert wurde. Es wurden Mammographien von der rechten
und linken Brust im cranio-caudalen (CC) und im mediolateral-obliquen
Strahlengang (MLO) verwendet, entsprechend den gängigen Standards für
Mammographien (Bick, 2006). Die Gesamtzahl der untersuchten
Mammographien belief sich auf 296. Die ausgewählten Mammographien
stammen von Frauen unterschiedlichen Alters mit zum Teil sehr
unterschiedlichem Brustaufbau und Gewebedichten. Somit konnten die
Texturen unter verschiedenen Ausgangsbedingungen getestet werden.
Bei 38 Patientinnen wurden jeweils die Bilder am Zeitpunkt der Erstdiagnose
verwendet (Gruppe 1). Diese Gruppe bestand aus 152 Mammographien. Hier
sollte analysiert werden, welche Eigenschaften das gesunde und das kranke
Gewebe hat. Bei 15 Patientinnen wurden zusätzlich Mammographien aus
früheren Jahren verwendet, bevor das Karzinom entdeckt wurde (Gruppe 2).
Damit sollte getestet werden, ob sich schon vor Erstdiagnose des Karzinoms
Gewebeveränderungen detektieren lassen, die auf die Entstehung von
Brustkrebs hinweisen könnten. Es wurden zehn Verläufe mit Aufnahmen an
zwei Zeitpunkten erstellt, vier Verläufe mit Aufnahmen an drei Zeitpunkten und
ein Verlauf mit Aufnahmen an vier Zeitpunkten. Die Gesamtzahl der
untersuchten Mammographien in dieser Gruppe belief sich auf 144.
13Mit dem Programm MammoFeatureMap wurden drei verschiedene Features
aus jeder Mammographie extrahiert. Eines der Features wurde in zwei
Einstellungen verwendet, woraus sich eine Gesamtanzahl von 1.184
untersuchten Farbkarten ergibt. Zusätzlich wurden die Registrierungen aus
jeder Extraktion beurteilt, deren Anzahl sich auf ebenfalls 1.184 beläuft.
146) Arbeitsschritte
Nach der Auswahl der Fälle wurden die Daten anonymisiert. Darauf folgten das
Annotieren der Mammographien sowie die Erstellung eines Standardschemas
(Template) für die Extraktion der Features und die Auswahl passender Farben
für die Darstellung der Features. Anschließend wurden die Features extrahiert
und ausgewertet.
6.1) Patientendaten anonymisieren
Um eine datenschutzkonforme Weiterverarbeitung zu gewährleisten, wurden
die Mammographien und Patientendaten anonymisiert. Hierfür wurde das
Programm Incognito 1.2 der Siemens IKM CKS Group verwendet.
6.2) Mammographien annotieren
Die ausgewählten und anonymisierten Mammographien wurden in das
MammoKDI Programm, welches vom Fraunhofer IIS entwickelt wurde,
hochgeladen und mit Hilfe eines Wacom-Boards der Firma Wacom annotiert.
Zuvor wurden Kategorien mit entsprechenden Farben festgelegt. Wie in den
untenstehenden Abbildungen zu sehen, wurde das Brustgewebe in orange
dargestellt, Verkalkungen in blau, Karzinome in grün und Sonstiges (z.B. Ports)
in pink. Beispiele für annotierte Mammographien finden sich in Abbildung 1.
Ein wichtiger Schritt hin zur Extraktion der Texture Features ist das
Segmentieren des Brustgewebes. Dies geschah zunächst automatisch.
Zusammengefasst wird hierfür eine Kombination aus morphologischen
Operatoren und einem KMeans Filter verwendet, um das Brustgewebe anhand
von Grauwertunterschieden als größte verbundene Komponente zu
segmentieren. Eventuelle Fehler wurden nachträglich per Hand verbessert und
der Pectoralismuskel ebenfalls händisch entfernt. Verkalkungen, Karzinome
und sonstiges Strukturen wurden ebenfalls per Hand annotiert. Die so
bearbeiteten Mammographien wurden als Projekte gespeichert.
15Abbildung 1. Annotierte Mammographien
6.3) Templates für die Feature Extraktion
Im nächsten Schritt wurde jeweils ein Template für CC- und MLO-Aufnahmen
für die Extraktion der Features angefertigt. Für das Erstellen der Templates
wurden die frei zugänglichen Graphikprogramme GIMP (GNU Image
Manipulation Program) und ImageJ verwendet.
Für das CC-Schema wurde der Umriss einer Brust als halbiertes Oval
angenommen. Wie in Abbildung 2 zu sehen, wurde die Brust beginnend vom
äußeren Rand in zehn gleich dicke Ringe aufgeteilt und die Mamille zur
Orientierung eingezeichnet.
Abbildung 2. CC-Template
Das MLO-Schema wurde nach der Broschüre Mammographien regelgerecht
erstellen der Kassenärztlichen Bundesvereinigung (KBV) angefertigt. Danach
16soll der Pectoralismuskel in einem Winkel von mindestens 20° schräg vom
seitlichen zum oberen Bildrand verlaufen und zusätzlich die Pectoralis-Nippel-
Linie im rechten Winkel auf dem Pectoralismuskel stehen. Die inframammäre
Falte wurde nicht in das Schema miteinbezogen, da sie nicht Teil des
eigentlichen Brustgewebes ist (Wülfing et al., 2011). Auch im MLO-Schema
wurde die Mamille zur Orientierung eingezeichnet (vgl. Abbildung 3).
Abbildung 3. MLO-Template
Weiterhin wurden die Schichten der Templates in Grauwerten von 1 bis 11
eingefärbt. Der innersten Schicht wurde hierbei der Wert 1 und der äußersten
der Wert 10 zugeteilt. Für die Mamille wurde jeweils der Wert 11 festgelegt. Die
Verwendung von Grauwerten vereinfacht einerseits die maschinelle
Verarbeitung der Templates und dient andererseits als Index für die Schichten
(z. B. Schicht 1 hat den Grauwert 1). Für die hier verwendeten Abbildungen
wurden die Grauwerte so verändert, dass die Schichten sichtbar sind. Das
Verhältnis der Grauwerte zueinander wurde jedoch beibehalten.
Die ringförmige Aufteilung der Templates wurde gewählt, um in den Sektoren,
entsprechend der Anatomie einer durchschnittlichen Brust, vorrangig einen
Gewebetyp, nämlich Fett- oder Drüsengewebe, abzubilden.
MammoFeatureMap extrahiert die Features aus den separaten Sektoren, wobei
die Genauigkeit der Berechnungen durch einheitliches Gewebe in einem Sektor
zunimmt.
17Das Template wird für die Feature Extraktion auf die Original-Mammographie
umgeformt, da die Extraktion auf der unverzerrten mammographischen Textur
erfolgen soll, um die Ergebnisse nicht zu verfälschen. Zum besseren
Vergleichen wurden die Farbkarten wiederum in der Standardform dargestellt.
Genaueres zur Umformung wird in Abschnitt 6.5 besprochen.
6.4) Farbauswahl
Zur Darstellung der extrahierten Features wurde die Heatmap Hot colormap
verwendet, welche vom Insight Segmentation and Registration Toolkit (ITK) der
US National Library of Medicine bereitgestellt wird (s. Abb. 4). Die errechneten
Werte wurden dabei als Farbverlauf von schwarz über rot, orange und gelb zu
weiß visualisiert. So können die Daten von Betrachter schnell und intuitiv
erfasst werden.
Abbildung 4. Hot colormap
186.5) Extraktion der Texture Features
Nun wurden die Texture Features mit Hilfe des Programms MammoFeatureMap
aus den vorbereiteten Mammographien extrahiert. Dies erfolgte in mehreren
Schritten (vgl. Abbildung 5).
MammoKDI
Brustgewebe segmentieren Annotationen
MammoFeatureMap
Mammographien (segmentiert und annotiert) Bruststandardschema (Template)
Registrierung
Feature Extraktion
Farbkarte
Anzeige und Auswertung
Abbildung 5. Ablauf der Feature Extraktion
Zunächst wurden hierfür die zuvor segmentierten, annotierten und als Projekte
gespeicherten Mammographien in das Programm geladen. Nun wurde das
unter 5.3 beschriebene Template auf das segmentierte Brustgewebe
umgeformt, was als Registrierung bezeichnet wird. Für die Registrierung
wurden die Templates mit Hilfe einer perspektivischen Transformation
umgeformt. Dafür wurden im CC und im MLO jeweils vier Punkte festgelegt, die
als Referenzpunkte dienen. Im CC-Schema sind das die beiden Ecken, eine
Annäherung an die Mamille, beziehungsweise der am weitesten vorgewölbte
Punkt der Brust und der Schwerpunkt der Fläche des Brustgewebes. Im MLO
wurden analog dazu die folgenden Punkte ausgewählt: am oberen Rand die
Mitte des Brustgewebes, unten die Ecke, am hinteren Rand der Beginn des
Pectoralismuskels und wie im CC die Annäherung an die Mamille.
Nach der erfolgreichen Registrierung wurden drei verschiedene Features aus
den Mammographien extrahiert und einzeln als Farbkarten dargestellt. Das
Feature CentralMoments::Mean gehört zu den in Abschnitt 3.1 beschriebenen
19Moment-basierten Features und ermittelt den Mittelwert der Grauwerte pro
Sektor. Das Feature HistogramFeatures::Max gehört zu den statistischen
Features und ermittelt das Maximum der Grauwerte eines Sektors anhand des
entsprechenden Histogramms. Es wurde in zwei unterschiedlichen
Einstellungen verwendet, genauer gesagt mit 256 oder 10 Histogrammklassen
(oder „Bins“). Die Bins sind als Kategorien zu verstehen, in welche die Pixel
nach ihren Grauwerten eingeteilt werden. Eine kleinere Anzahl an Bins
bedeutet demnach mehr Mittelung der Werte. Außerdem wurde das Feature
BreastDensity::MeanROICompactness mit den Parametern iGrowThresh 50
und iMinArea 4 verwendet. MeanROICompactness ist die mittlere Kompaktheit
der ROIs. Dabei wird die Kompaktheit eines Gebietes gemessen als Verhältnis
der Fläche unter der Konvexen Hülle des Gebietes und der Fläche des
Gebietes an sich. Vereinfacht betrachtet bedeutet Konvexe Hülle in diesem
Zusammenhang, dass sie das komplette Gebiet umschließt, ohne
Einstülpungen zu betrachten (vgl. Abbildung 6). Das Feature nimmt umso
größere Werte an, umso mehr ein Gebiet seiner Konvexen Hülle gleicht.
Abbildung 6. Beispiel einer Konvexen Hülle (rote Linien)
Pro Sektor beziehungsweise Schicht wurde somit ein Wert errechnet und mit
Hilfe der Heatmap farbig dargestellt. So ergab sich für jede Mammographie eine
Farbkarte, welche zusammen mit den übrigen Farbkarten der dazugehörigen
Mammographien der einzelnen Patientinnen angezeigt wurde. Zudem wurden
die Farbkarten nun in der Standardform dargestellt, um ein besseres
Vergleichen zu ermöglichen. Abbildung 7 zeigt beispielhaft die Farbkarten einer
20Patientin im zeitlichen Verlauf. Die oberste Reihe entspricht hierbei dem
ältesten Zeitpunkt und die unterste dem aktuellsten, an welchem der Brustkrebs
zuerst diagnostiziert wurde.
Abbildung 7. Farbkarten einer Patientin
6.6) Methoden zur Auswertung
Im Folgenden Abschnitt wird die Auswertungsstrategie für die Farbkarten
erläutert. Außerdem werden mögliche Einflussfaktoren benannt und
Bewertungsstrategien für diese vorgeschlagen, womit die Interpretation der
Ergebnisse erleichtert werden soll.
Um die Farbkarten zu interpretieren, wurden zunächst die Mammographien
untersucht. In der Gruppe mit Mammographien ausschließlich am Zeitpunkt der
Diagnose (Gruppe 1) lag das Augenmerk auf dem Vergleich zwischen der
gesunden und kranken Seite. In der anderen Gruppe (Gruppe 2) wurden die
Mammographien im zeitlichen Verlauf visuell auf Veränderungen untersucht. Es
wurden jeweils die rechten CC-Aufnahmen untereinander verglichen und
analog dazu auch die linken CC-, die rechten MLO- und die linken MLO-
Aufnahmen. Das Augenmerk lag hierbei auf einer Zu- oder Abnahme der
21Gewebedichte und auf dem Erscheinen von sichtbaren Massen bzw. dem
diagnostizierten Karzinom.
Nun wurden die Farbkarten folgendermaßen ausgewertet: Es wurde jeweils an
einem Zeitpunkt die rechte und linke Seite der CC-Aufnahmen und die rechte
und linke Seite der MLO-Aufnahmen visuell verglichen. Zudem wurden die CC-
und MLO-Aufnahmen im zeitlichen Verlauf verglichen und auf Veränderungen
der Farbkarten hin untersucht.
Nachdem die Veränderungen in den Mammographien und Farbkarten
unabhängig voneinander untersucht wurden, wurde in Zusammenschau
versucht, einen Zusammenhang zwischen beiden herzustellen. Zunächst wurde
untersucht, ob die Farbkarten die mit den Features errechneten Merkmale
visuell wiedergeben. War das der Fall, wurde im nächsten Schritt analysiert, ob
die Farbkarten Aussagen über die Bruststruktur und gegebenenfalls deren
Auffälligkeiten oder Veränderungen treffen können. Außerdem wurde geprüft, in
wie weit die Farbkarten Hinweise auf das Brustkrebsrisiko der einzelnen
Patientin geben und ob das Karzinom selbst detektiert wurde.
Im Folgenden werden nun einige mögliche Einflussfaktoren auf die
Aussagekraft der Farbkarten beschrieben.
Wie in Abschnitt 6.5 beschrieben, handelt es sich bei der Registrierung um
einen zentralen Aspekt des Programms. Für die Auswertung wurde die
Registrierung jeder Aufnahme einer Kategorie zugeordnet: leichte
Ungenauigkeit oder deutliche Ungenauigkeit. Wie sich die Qualität der
Registrierung auf die Feature Extraktion auswirkt, wurde im Zusammenhang mit
der Auswertung der Farbkarten erarbeitet. Abbildung 8 zeigt beispielhaft jeweils
zwei Registrierungen mit leichter (links) und zwei mit deutlicher Ungenauigkeit
(rechts).
22Abbildung 8. Registrierungen
Weiterhin wurde die Qualität der verwendeten Mammographien als möglicher
Einflussfaktor betrachtet. Im Allgemeinen bestehen Mängel in der Qualität bei
etwa 12% der Mammographien und sind damit kein seltenes Problem. Am
häufigsten werden die fehlerhafte Darstellung der inframammären Falte, des
Pectoralismuskels, der Mamille und der Brust beanstandet (Pfandzelter et al.,
2010). Um eine mangelhafte Qualität als mögliche Fehlerquelle in die
Bewertung der Ergebnisse miteinzubeziehen, wurden die verwendeten
Mammographien in vier Gruppen eingeteilt: A) keine bedeutsamen Mängel, B)
übermäßig dunkle/helle Grauwerte C) Hautfalten über dem Brustgewebe und D)
eine sich auf das Brustgewebe projizierende Mamille. Als nicht bedeutsame
Mängel der Gruppe A wurden solche eingestuft, die die Funktion der Feature
Extraktion vermutlich nicht oder wenig beeinflussen, da sie das dargestellte
Brustgewebe nicht verändern oder verzerren. Hierzu gehörten zum Beispiel die
mangelhafte Darstellung der inframammären Falte und die ungenügende
Darstellung des Pectoralismuskels. Mängel der Gruppe B, C und D hingegen
waren solche, die die Darstellung des Brustgewebes verändern und damit
potentiell bedeutsam für die Qualität der Feature Extraktion sein könnten.
Dieselben Mammographien beziehungsweise Verläufe konnten in mehrere
Kategorien fallen.
237) Ergebnisse
In diesem Abschnitt werden zunächst die Ergebnisse der
Farbkartenauswertung im Zusammenhang mit den entsprechenden
Mammographien dargestellt. Weiterhin werden die Ergebnisse der untersuchten
möglichen Einflussfaktoren beschrieben und erläutert.
7.1) Ergebnisse der Farbkartenauswertung
Die Auswertung der Farbkarten der verwendeten Features im Zusammenhang
mit den Original-Mammographien und den jeweiligen Registrierungen ergab
Folgendes:
Mit dem Feature CentralMoments::Mean konnten über beide Gruppen bei
durchschnittlich 84% der untersuchten Farbkarten visuell Zusammenhänge mit
den entsprechenden Mammographien gefunden werden (alle Prozentzahlen
wurden gerundet). In Gruppe 1 wurden bei 80% Zusammenhänge gefunden, in
Gruppe 2 bei 89%. Sektoren wurden relativ zu den anderen hell dargestellt,
wenn sich hier in der Mammographie ein relativ strahlendichter Bereich befand.
Umgekehrt wurden Sektoren dunkler dargestellt, wenn sich in der
Mammographie hier eher strahlentransparente Bereiche befanden. In
Mammographien zeigen sich dichtere Gewebeanteile, also Drüsengewebe und
Verkalkungen, relativ zum restlichen Brustgewebe strahlendichter. Daraus lässt
sich folgern, dass Bereiche mit dichterem Gewebe relativ zum restlichen
Gewebe in den Farbkarten heller dargestellt wurden. Fettgewebe, welches
relativ zu den anderen Brustgewebearten eher strahlentransparent ist, stellte
sich auf den Farbkarten somit eher dunkel dar. Gleiches galt jedoch auch für
die Helligkeit der Mammographien insgesamt. Helle bzw. scheinbar
strahlendichtere Mammographien ergaben hellere Farbkarten. Auch ergaben
insgesamt dunklere bzw. scheinbar strahlentransparentere Mammographien
dunklere Farbkarten. Bei 16% der Farbkarten konnte dieser Zusammenhang
nicht einwandfrei hergestellt werden. Die betroffenen Mammographien waren
zu 68% rechte CC-Aufnahmen, zu 15% linke MLO-Aufnahmen, zu 11% rechte
MLO-Aufnahmen und zu 6% linke CC-Aufnahmen. Auffällig war außerdem,
24dass der äußerste Sektor in einigen Farbkarten deutlich von den restlichen
Sektoren abwich.
In Gruppe 1, in der vorrangig die gesunde mit der erkrankten Seite verglichen
wurde, konnten keine Eigenschaften in den Farbkarten gefunden werden,
welche auf das Vorhandensein eines malignen Tumors hinweisen. Zusätzlich
wurde in Gruppe 2 untersucht, ob sich in den Mammographien entdeckte
Veränderungen auch in den Farbkarten wiederspiegelten. Zunächst wurden
dafür die Aufnahmen aus der Bewertung genommen, bei denen sich im
zeitlichen Verlauf früher oder später unbrauchbare Farbkarten fanden. Zeigten
sich in den Mammographien im Verlauf deutliche Veränderungen in der
Ausdehnung strahlendichter Bereiche, so wurde dies bei 87% der verwendeten
Verläufe richtig detektiert und in den Farbkarten dargestellt (s. Abbildung 9).
Bei 13 % der Verläufe hingegen wurde dies nicht richtig detektiert. Exakte
Veränderungen der Bruststruktur, oder das Auftauchen des Karzinoms wurde in
keinem Fall zweifelsfrei detektiert.
Zusammenfassend lässt sich für das Feature CentralMoments::Mean sagen,
dass Farbkarten berechnet werden, welche innerhalb einer Mammographie
Hinweise auf die Dichte des Gewebes in den einzelnen Sektoren relativ
zueinander geben können. Im Verlauf können Veränderungen in den
Mammographien grundsätzlich detektiert werden. Eine zuverlässige Detektion
neu entstandener malignitätsverdächtiger Massen bzw. Karzinome konnte nicht
erreicht werden. Anzeichen für ein erhöhtes Brustkrebsrisiko in früheren
Mammographien konnten ebenfalls nicht gefunden werden.
25Abbildung 9. Mammographien und Farbkarten (CentralMoments::Mean) im zeitlichen Verlauf
Das Feature HistogramFeatures::Max wurde zunächst in der Einstellung mit
256 Bins ausgewertet. Schon vor dem Vergleichen mit den entsprechenden
Mammographien fiel auf, dass bei 75% der Farbkarten einer oder mehrere
Sektoren vom äußeren oder inneren Rand schwarz blieben beziehungsweise
nicht sichtbar waren. Im darauffolgenden visuellen Vergleich mit den
Mammographien zeigte sich, dass bei insgesamt 57% der Farbkarten dennoch
ein Zusammenhang zu den Mammographien hergestellt werden konnte. In
Gruppe 1 waren es 54 % und in Gruppe 2 60%. Innerhalb der einzelnen
Farbkarten zeigten sich Sektoren relativ zu anderen heller, wenn sich hier auf
den Mammographien überwiegend strahlendichtere Bereiche befanden.
Umgekehrt fanden sich bei relativ gesehen dunkleren Sektoren
strahlentransparentere Bereiche (s. Abbildung 10). Erwähnenswert ist hier die
Ähnlichkeit dieser Farbkarten zu denen des Features CentralMoments::Mean.
Im Seitenvergleich zeigten die Farbkarten sich jedoch zum Teil sehr
unterschiedlich. Bei 43% Farbkarten konnte kein sinnvoller Zusammenhang zu
den Mammographien hergestellt werden.
26Abbildung 10. Mammographien und Farbkarten (HistogramFeatures::Max 256) im zeitlichen Verlauf
Im nächsten Schritt wurde das Feature HistogramFeatures::Max mit 10 Bins
ausgewertet. Zwischen den einzelnen Farbkarten und den entsprechenden
Mammographien ließen sich jedoch keine verwertbaren Zusammenhänge
herstellen.
Für das Feature HistogramFeatures::Max lässt sich zusammenfassend sagen,
dass die Einstellung mit 256 Bins grobe Hinweise auf die Dichte des Gewebes
in verschiedenen Bereichen innerhalb einer Mammographie gibt, ähnlich wie
CentralMoments::Mean. Im Hinblick auf die Tumorentstehung und das
Krebsrisiko konnten auch hier keine Hinweise gefunden werden.
Das Feature BreastDensity::MeanROICompactness ergab bei visueller
Auswertung keine verwertbaren Zusammenhänge mit den Mammographien,
Hinweise auf Bruststrukturveränderungen oder Krebsrisiko der einzelnen
Patientinnen.
277.2) Ergebnisse der möglichen Einflussfaktoren
Nach Auswertung der Farbkarten wurden die Registrierungen der Features
untersucht. Insgesamt belief sich die Zahl der untersuchten Registrierungen auf
1.184.
Die Kategorisierung und Auswertung der Registrierungen im Zusammenhang
mit dem Feature CentralMoments::Mean zeigte insgesamt bei 78% der
Registrierungen eine leichte, bei 22% eine deutliche Ungenauigkeit. Wurden die
Gruppen einzeln betrachtet, ergab sich folgendes Bild: In Gruppe 1 zeigten 68%
der Registrierungen leichte Ungenauigkeit und 32% deutliche Ungenauigkeit.
Unter den Registrierungen mit deutlicher Ungenauigkeit befanden sich zu 56%
rechte MLO-Aufnahmen, zu 29% linke MLO-Aufnahmen, zu 13% rechte CC-
Aufnahmen und zu 2% linke CC-Aufnahmen. In Gruppe 2 zeigten sich bei 88%
der Registrierungen leichte Ungenauigkeiten. Hier konnten die Mammographien
dieser Verläufe mit den entsprechenden Farbkarten gut in Einklang gebracht
werden. Lediglich bei 2% der Registrierungen mit leichter Ungenauigkeit
passten die Farbkarten nicht zu den Mammographien. Im Gegensatz dazu
zeigten sich bei 12% der Registrierungen deutliche Ungenauigkeiten. Das
betraf zu 39% rechte und ebenfalls zu 39% linke MLO-Aufnahmen, sowie zu
22% rechte CC-Aufnahmen. Bei 50% dieser Aufnahmen (ausschließlich MLO)
erbrachte die Feature Extraktion dennoch relativ brauchbare Farbkarten.
Hingegen konnten die anderen 50% der Farbkarten überhaupt nicht in Einklang
mit den Mammographien gebracht werden. Dies betraf zu 45% rechte CC-
Aufnahmen, zu 33% linke MLO-Aufnahmen und zu 22% rechte MLO-
Aufnahmen. Auffallend war hier, dass die Registrierung im Falle der noch
brauchbaren Farbkarten noch etwas genauer war als im Falle der
unbrauchbaren. Weiterhin zeigte sich, dass selbst bei lediglich leichter
Ungenauigkeit der äußere Rand des Brustgewebes meist nicht richtig registriert
wurde. Das würde erklären, warum der äußerste Sektor der Farbkarten
teilweise stark von den anderen Sektoren abweicht.
Die Registrierungen bei Verwendung des Features HistogramFeatures::Max mit
256 Bins zeigte bei insgesamt 76% leichte Ungenauigkeit und bei 24%
28deutliche Ungenauigkeit. In Gruppe 1 zeigten 68% der Registrierungen leichte
Ungenauigkeit und 32% deutliche Ungenauigkeit. Unter den Registrierungen
mit deutlicher Ungenauigkeit befanden sich zu 56% rechte MLO-Aufnahmen, zu
29% linke MLO-Aufnahmen, zu 13% rechte CC-Aufnahmen und zu 2% linke
CC-Aufnahmen. In Gruppe 2 wurden bei 83% leichte Ungenauigkeit und bei
17% der Registrierungen deutliche Ungenauigkeit festgestellt. Hierbei handelte
es sich zu 66% um linke MLO-Aufnahmen, zu 21% um rechte CC-Aufnahmen
und zu 13% um rechte MLO-Aufnahmen. 88% dieser Registrierungen brachten
unbrauchbare Farbkarten hervor; 12% resultierten jedoch in Farbkarten, die mit
den entsprechenden Mammographien in Einklang gebracht werden konnten.
Hierbei handelte es sich ausschließlich um MLO-Aufnahmen.
Die Beurteilung der Registrierungen von HistogramFeatures::Max mit 10 Bins
zeigte exakt die gleiche Verteilung wie HistogramFeatures::Max mit 256 Bins.
Ein eindeutiger Zusammenhang zur Qualität der Farbkarten konnte aufgrund
deren schlechter Verwertbarkeit jedoch nicht hergestellt werden.
Die Registrierungen des Features BreastDensity::MeanROICompactness fielen
insgesamt zu 77% in die Kategorie leichte Ungenauigkeit und zu 23% in die
Kategorie deutliche Ungenauigkeit. Bei den Registrierungen mit deutlicher
Ungenauigkeit handelte es sich bei 43% um rechte MLO-Aufnahmen, bei 27%
um linke MLO-Aufnahmen, bei ebenfalls 27% um rechte CC-Aufnahmen und
bei 3% um linke CC-Aufnahmen. Ein eindeutiger Zusammenhang zur Qualität
der Farbkarten konnte auch hier aufgrund deren schlechter Verwertbarkeit nicht
hergestellt werden.
Zusammenfassend lässt sich schließen: Je genauer das Template während der
Registrierung auf die Mammographie übertragen wurde, desto genauer und
besser vergleichbar waren auch die Ergebnisse. Unbrauchbare Farbkarten
konnten zum Teil mit sehr fehlerhaften Registrierungen in Zusammenhang
gebracht werden. Weiterhin schien die Registrierung bei MLO-Aufnahmen
komplexer zu sein, denn die Anzahl der MLO-Aufnahmen mit deutlicher
Ungenauigkeit bei der Registrierung war deutlich höher als die der CC-
29Aufnahmen. Zusätzlich ist zu bemerken, dass rechte CC-Aufnahmen deutlich
öfter deutliche Ungenauigkeit bei der Registrierung zeigten als linke.
Im Hinblick auf die Qualität der Mammographien fielen 51% der Fälle in die
Gruppe A und zeigten damit keine bedeutsamen Mängel. Bei 30% der Fälle
fanden sich übermäßig dunkle/helle Grauwerte (Gruppe B), wobei hiervon 94%
übermäßig hell und 6% übermäßig dunkel erschienen. 32% der Fälle zeigten
Hautfalten und fielen damit in Gruppe C. In die Gruppe D fielen 2% der Fälle, da
sich die Mamille auf das Brustgewebe projizierte. In Zusammenschau mit den
entsprechenden Farbkarten fiel auf, dass vor allem übermäßig helle Grauwerte
Einfluss Ergebnisse hatte. Mammographien mit sehr hellen Grauwerten
ergaben sehr helle Farbkarten, auf denen eine Differenzierung der Sektoren
deutlich erschwert wurde (vgl. Abbildung 11).
Abbildung 11. Beispiel für übermäßig helle Grauwerte
308) Diskussion
Im Rahmen dieser Doktorarbeit wurde das Programm MammoFeatureMap
entwickelt. Das Ziel war es, ein Konzept zu entwickeln und zu testen, mit dem
durch die Extraktion von Texture Features automatisch Mammographien auf
Strukturveränderungen des Brustgewebes hin analysiert werden können. Wenn
möglich, sollten darüber hinaus Aussagen über vorhandene Karzinome und das
Brustkrebsrisiko der einzelnen Patientinnen getroffen werden können. Die
Farbkarten von CentralMoments::Mean und HistogramFeatures::Max (256 Bins)
gaben Hinweise auf die Dichte des Gewebes in einzelnen Sektoren relativ
zueinander. Außerdem konnten grobe Veränderungen oft detektiert werden.
Auch wenn mit den verwendeten Features noch kein eindeutiger Hinweis auf
die Tumorentstehung und das Brustkrebsrisiko gefunden wurde, zeigt sich
dennoch, dass die Darstellung von Gewebeeigenschaften mit Hilfe von
Farbkarten möglich ist. Im Hinblick auf die Registrierung, scheint diese ein sehr
wichtiger Faktor für die Qualität der Farbkarten zu sein. Des Weiteren wird das
Interpretieren der Farbkarten Grauwert-basierter Features wie
CentralMoments::Mean wesentlich von insgesamt übermäßig hellen
Grauwerten in den Mammographien erschwert. Gleichzeitig müssen jedoch
darüber hinaus noch andere Ursachen ausschlaggebend sein, denn nicht alle
nicht verwertbaren Farbkarten ließen sich durch deutlich ungenaue
Registrierungen oder Mängel in den entsprechenden Mammographien erklären.
8.1) Vergleich mit anderen Projekten
Um die Ergebnisse dieses Projektes in einen größeren Zusammenhang
einzuordnen, werden sie im Folgenden mit Projekten ähnlicher Zielsetzung
verglichen. Die in Abschnitt 3.1 beschriebenen Projekte von Wei et al., Häberle
et al. und Zheng et al. verwendeten Fall-Kontroll-Studien und ihr Fokus lag eher
auf der Auswertung von Texture Features im Hinblick auf die Aussagekraft des
Brustkrebsrisikos als auf der Visualisierung durch Farbkarten. Es gelang ihnen
zu zeigen, dass Texture Features die Bruststruktur genauer beschreiben und
das Brustkrebsrisiko besser vorhersagen können als die mammographische
Dichte. Auch wenn das Programm MammoFeatureMap nicht bis zu diesem
31Punkt gelangt ist, konnte auch hier bestätigt werden, dass Features wie
beispielsweise CentralMoments::Mean oder HistogramFeatures::Max (256
Bins) erfolgreich aus den Mammographien extrahiert werden können und sie
außerdem die Brustgewebestruktur beschreiben können. Vor allem konnten die
Features mit dem hier verwendeten Programm für menschliche Betrachter
verwertbar abgebildet werden. Ein weiterer Unterschied zwischen
MammoFeatureMap und anderen Projekten scheint die Menge der getesteten
Features zu sein. Im Zuge dieser Projekte wurden große Anzahlen von
Features mit Hilfe mathematisch-statistischer Methoden ausgewertet und so die
aussagekräftigsten Features und Kombinationen herausgearbeitet. Es zeigte
sich, dass Kombinationen von mehreren Features aus den verscheiden
Gruppen (statistisch, Moment-basiert, Form-basiert, spektral und strukturell) die
höchste Aussagekraft haben. Nachdem MammoFeatureMap grundsätzlich
gezeigt hat, dass die Feature Extraktion gelingt, scheint die Testung von neuen
Features daher sinnvoll. Von der technischen Seite her zeigt ein Vergleich mit
den anderen Projekten außerdem, dass eine solide Segmentierung des
Brustgewebes ohne den Pectoralismuskel eine sinnvolle Grundlage für die
weitere Analyse des Brustgewebes darstellt. Zusätzlich zeigte sich eine
Überlegenheit der Feature Extraktion aus dem gesamten segmentierten
Brustgewebe gegenüber der Extraktion aus einzelnen ROIs, wobei kleinere
Sektoren genauere Ergebnisse erzielten. Das Programm MammoFeatureMap
sollte demnach auch weiterhin die Feature Extraktion aus dem gesamten
segmentierten Brustgewebe enthalten.
8.2) Limitationen und methodische Einschränkungen
Bezüglich der Limitationen sollte zunächst erwähnt werden, dass die
Mammographien und daraus resultierenden Farbkarten visuell und damit zu
einem gewissen Grad subjektiv ausgewertet wurden. Daraus resultieren
mögliche Ungenauigkeiten und Schwierigkeiten bei der Reproduktion.
Weiterhin ist technisch bedingt eine gewisse Variabilität beim Einspannen der
Brust für die Aufnahme festzustellen. Die daraus resultierende
32Sie können auch lesen
