Radiomics na tomossíntese mamária

Abstract

O trabalho descrito no presente documento tem como objetivo a avaliação da capacidade de diferentes classificadores em prever a classificação de lesões mamárias como benignas ou malignas em imagens de Tomossíntese Mamária de uma base de dados de domínio público. O estudo foi realizado usando uma abordagem 2D devido à anisotropia inerente ao processo de formação das imagens de Tomossíntese Mamária. Foram usados diferentes classificadores baseados em aprendizagem automática e comparadas as caraterísticas convencionais, discretizadas e as características de segunda ordem em separado e no seu conjunto (texturais). Ao usar as caraterísticas texturais os classificadores apresentaram melhores resultados de acurácia, com uma sensibilidade e especificidade maior; verificou-se também que, de forma geral, os classificadores apresentaram uma maior dificuldade em classificar corretamente as lesões malignas, resultando numa taxa de Verdadeiros Positivos baixa. Foram ainda testadas as hipóteses de o delineamento manual da lesão e a distância da lesão ao corte focal poderem interferir com a resposta dos classificadores usados. O delineamento manual da lesão apresentou ligeiras melhorias nos resultados obtidos pelos classificadores, com um aumento da capacidade em classificar as lesões malignas corretamente. A localização da lesão e seu distanciamento ao corte focal também influenciaram os resultados obtidos pelos classificadores, tendo-se obtido melhores resultados no subgrupo em que as lesões se encontravam a menor distância do corte focal. De forma geral, a Tomossíntese Mamária, sendo ainda uma modalidade imagiológica recente, quando integrada em processos automáticos de análise tanto no rastreio como no diagnóstico do cancro da mama, podem contribuir para melhorar a decisão clínica no que respeita à interpretação dos achados, lesões e avaliação da extensão da doença.

The work herein described is an assessment of the capacity of several classifiers to correctly predict breast lesion as benign or malign using radiomic features extracted from a public Digital Breast Tomosynthesis image database. The whole radiomics pipeline was built upon a 2D approach given the severe anisotropy of the Digital Breast Tomosynthesis image formation process. Several machine learning classification models were trained and tested with conventional and discretized intensity features as well as more evolved second order texture descriptors (textural features). These later features led to overall classification results with increased sensitivity and specificity. However, there is significant difficulty in correctly classifying the malign lesions resulting in a low True Positive Rate. We studied the performance of the classifiers with features obtained from the rectangular patches and with features obtained from manually drawn lesion outlines within each patch. We also addressed the issue of the relevance of the distance of the lesion slice to the series central slice. Results improved slightly with a feature space associated with manually drawn lesion outlines. Improvements were also obtained when using a constrained case set driven by the distance between the lesion slice and the series central slice. Although Digital Breast Tomosynthesis is a recent modality, its integration in computer-aided workflows is expected to provide a positive impact in breast cancer screening and diagnosis, helping in the diagnosis of the findings and lesions, in the evaluation of the dissemination of the disease or in the therapeutic decision.