| Source DB | nl |
|---|
| Institution | KU Leuven |
|---|
| Code | c2353362-27b3-4a61-ba14-60ad03472599 |
|---|
| Unit | 3f010436-c5b1-438c-8066-4dae396d238f
|
|---|
| Begin | 2/25/2016 |
|---|
| End | 4/23/2020 |
|---|
| title fr |
|
|---|
| title nl | Mathematische modelwaarnemers voor de kwaliteitswaarborging in borstbeeldvorming
|
|---|
| title en | The development of mathematical observers for optimization in breast imaging
|
|---|
| Description fr |
|
|---|
| Description nl | Vroege opsporing en behandeling van borstkanker via screening dient om het sterftepercentage te beperken. Borstkankerscreening gebeurt typisch met behulp van tweedimensionale digitale mammografie (DM). Hierbij wordt een 2D projectie van de borst gemaakt. De grootste beperking van deze 2D methode is dat gezond weefsel mogelijks kwaadaardig weefsel kan verbergen of dat overlappend goedaardig weefsel er opeens verdacht kan uitzien. Om dit nadeel te beperken, werd digitale borsttomosynthese (DBT) ontwikkeld. In DBT worden meerder 2D projecties van de borst genomen onder verschillende hoeken. Deze projecties kunnen dan gereconstrueerd worden naar een pseudo-3D volume. Dit laat visualisatie van verschillende doorsnedes door de borst toe, wat deels het probleem van overlappend weefsel in 2D oplost.De grootste radiologische indicaties voor borstkanker zijn grote lage contrast vormen (laesies) en zeer kleine hoge-contrast objecten (microcalcificaties) in een soms erg complexe borstweefsel achtergrond. Detectie van borstkanker is uitdagend zowel voor de radioloog als technologisch. Voor zowel DBT als voor DM is de diagnostische informatie omgekeerd gecorreleerd met de stralingsdosis gebruikt. Daarom wordt de stralingsdosis gekozen opdat deze zo laag mogelijk is zonder noodzakelijke diagnostische informatie te verliezen. Om aan deze voorwaarde te voldoen wordt het mammografie systeem halfjaarlijks getest op beeldkwaliteit en stralingsdosis. Met behulp van onderzoek wordt naar de beste balans tussen diagnostische informatie en stralingsdosis gezocht. Evaluatie van de beeldkwaliteit gebeurt typisch met beelden van testobjecten die kritische opdrachten bevatten end die geëvalueerd worden met behulp van leesstudies. Ondanks dat deze leesstudies de Gouden standaard zijn, vergen ze erg veel tijd, zeker als er veel paramaters betrokken zijn. Voor sommige optimalisatiestudies kunnen ze het knelpunt zijn van de studie. Deze thesis is toegewijd aan het ontwikkelen van een geautomatiseerde methode voor de evaluatie van beeldkwaliteit. Menselijke waarnemers werden vervangen door wiskundige modelwaarnemers voor de kwaliteitswaarborging in borstbeeldvorming.De statistische modelwaarnemers en meer specifiek de ‘channelized Hotelling Observer’ (CHO) zijn mathematische operaties die gebaseerd zijn op de statistische eigenschappen van de pixelwaarde in het beeld. Een mogelijke toepassing, na een specifieke aanpassing van het algoritme, is het schatten van de systeemprestatie wat betreft detecteerbaarheid van specifieke structuren in het beeld. In onze groep werd recent een 3D gestructureerd fantoom ontwikkeld. Het is aangetoond dat via menselijke waarnemers dit fantoom kan gebruikt worden om beeldkwaliteit van zowel DBT als DM systemen te evalueren voor verschillende meetomstandigheden. De hypothese in dit werk is dat een afgestemde CHO kan gebruikt worden om de menselijke resultaten te voorspellen. Dit zou het beoordelen van de beeldvormingssystemen sneller en objectiever maken. De eerste stap was het bestuderen en evalueren van het effect van verschillende componenten op de prestatie van de CHO voor lage contrast laesies, de ‘non-spiculated’ massa’s. De ontwikkelde CHO kon succesvol, met hoge correlatie, de menselijke resultaten voorspellen voor een Siemens DBT systeem. Wanneer de CHO toegepast werd op andere fabrikanten, hadden de resultaten echter een slechte correlatie met de menselijke response. Om een goede veralgemening naar andere DBT systemen te garanderen werden de CHO kanalen verbeterd zodat ze het frequentiebereik constant hield ongeacht de pixelgrootte. De eerste vergelijkende studie tussen alle commerciële DBT systemen werd uitgevoerd. In een volgende stap lag de focus op de kleine objecten met hoog contrast, de microcalcificaties. De CHO moest hiervoor aangepast worden, aangezien de vorm erg verschilt van de grote laesies. De calcificatiecluster in het testfantoom bestaat uit 5 microcalcificaties. De CHO werd aangepast naar een algoritme dat bestaat uit twee lagen. Eerst een lokalisatie en dan een classificatie stap. De locatie van de microcalcificaties werd gezocht door te scannen rond de regio’s waar de calcificatie was verwacht te liggen. In de classificatie stap werden de vijf individuele statistieken gecombineerd in een cluster test statistiek. Nadat het model getraind werd op het Siemens DBT systeem, werd het ook getest op systemen van andere fabrikanten. De correlatie tussen voorspelde en menselijke resultaten was goed. Na de validatie voor het testen van verschillende fabrikanten en scanparameters, werd de CHO getest op andere 3D structuren in DBT testbeelden. De dataset uit de virtuele klinische studie van het OPTIMAM simulatie-tool bestaat uit zowel DM als DBT beelden van gesimuleerde laesies. De huidige CHO werd aangepast om ook voorspellingen te doen voor de 2D DM beelden. De resultaten voor DBT systemen werd bovendien verbeterd door een volumetrische CHO te creëren. Deze update was nodig zodat de CHO met de andere achtergrondstructuur kon werken en toonde aan dat het vorige algoritme niet genoeg veralgemeenbaar was. Vervolgens werd verondersteld dat het CHO algoritme voor lage contrast laesies verbeterd kan worden met behulp van artificiële intelligentie(AI). Twee AI-CHO modellen werden ontwikkeld in parallel met de standaard CHO. Beide werden getraind op de menselijke resultaten. Deze AI methodes zorgden voor een betere veralgemening voor de verschillende DBT fabrikanten en een grotere variatie aan scanparameters.De thesis onderzocht het gebruik van de ‘channelized Hotelling Observer’ (CHO) voor het voorspellen van menselijke resultaten bij het detecteren van kritische structuren. Twee praktische instrumenten ontstonden uit dit doctoraat: een AI CHO voor laag-contrast laesies en een dubbel gelaagde CHO voor calcificatie detectie. We hopen dat deze software gaat gebruikt worden in de routine door medische fysici en door onderzoekers in beeldkwaliteitsstudies. De software is helemaal uitgewerkt en een lespakket is ontwikkeld. We hopen dat dit kan helpen om DBT een rol te geven in borstkankerscreening en zo uiteindelijk de sterftecijfers te doen dalen.
|
|---|
| Description en | Breast cancer screening in women aims to reduce cancer mortality rate by means of early detection and treatment. The screening is typically performed using a two-dimensional (2D) full-field digital mammography (FFDM) system, where the breast structure is captured in a single 2D projection. However the representation of three-dimensional (3D) breast tissue in 2D images causes a major drawback of this technique: normal tissue could mask a malignancy or overlapping normal tissue could appear suspicious. To reduce this drawback the digital breast tomosynthesis (DBT) technique was introduced. In DBT, series of projections are acquired over a narrow angular range around the breast. These projections are then reconstructed into a pseudo-3D volume, which allows for cross-sectional visualization of the breast and partly solves the tissue overlapping found in 2D FFDM.The major radiological breast cancer signs are low contrast large objects (masses) and tiny high-contrast objects (microcalcifications) in a background of sometimes very complicated breast tissue patterns in the 2D mammogram or the DBT reconstructed volume. Breast cancer detection is a challenging task for both the imaging system and the radiologist. For DBT and FFDM the diagnostic information is inversely correlated with the X-ray radiation exposure needed for the medical examination. Therefore high image quality is aimed for at a mean glandular dose to the women that is as low as reasonably achievable. In order to fulfill this requirement the mammography system performance is regularly evaluated in terms of image quality and dose. In order to balance between diagnostic information and X-ray exposure risk, research studies are conducted to optimize the X-ray systems. The standard means of image quality evaluation for these purposes typically involve a test object with critical targets and human observer reading studies. While these studies are the gold standard, they usually require a substantial amount of time, especially if there are many parameters involved, and might turn out as a bottleneck for certain optimization studies. This thesis focuses on the development of an automated method for image quality evaluation using model observers to replace human observers for quality assurance and optimization in breast imaging.The statistical model observers and specifically the channelized Hotelling observer (CHO) are mathematical operations based on the statistical properties of the pixel values in the images. A possible application, after specific adjustments of the algorithms, is related to the estimation of X-ray system performance in terms of detectability of certain lesions in images. A recently developed 3D structured phantom in our research group showed that it can be successfully used to evaluate image quality on different DBT and FFDM systems under different scanning conditions using human observers. We hypothesized that the phantom evaluation can be achieved using a tuned CHO algorithm that predicts the human observer scores. This would allow for quicker and more reliable observer performance estimations.The first step was to study and evaluate the effect of all different components contributing to the CHO performance estimation for low contrast lesions representing non-spiculated masses. The successfully developed CHO model had high correlation with the human observers using a Siemens DBT system. The CHO was further applied to other DBT vendors, which showed poor correlation with human results. In order to achieve good generalization to a wider range of DBT systems, the channel mechanism was improved to select the same frequency range regardless of the reconstruction pixel size of the different DBT systems and the first comparative studies with the CHO on all commercially available systems was performed. The next step focused on the small high-contrast objects, namely calcification clusters. With these targets, largely differing from mass lesions, a more innovative CHO approach was required. The calcification clusters in the phantom consist of 5 calcification particles forming the target. A two-layer CHO algorithm was developed for the cluster detection in DBT and FFDM. First and for the Siemens DBT system, the particle locations were found by scanning areas around the expected locations, and this was followed by a classification step, where the separate particle test statistics were combined into a single cluster test statistics. Exactly the same algorithm was also tested for different DBT vendors and showed good correlation without a requirement for additional tuning. With a CHO validated to work in different scanning conditions and for multiple DBT vendors, the CHO was tested on different 3D structured DBT test images. The virtual clinical trial image dataset obtained from the OPTIMAM simulation framework consisted of 2D FFDM images and DBT images with simulated mass lesions. The already developed CHO algorithm was redesigned to work also on the 2D images and the CHO observer performance for the DBT systems was further improved by introducing a volumetric CHO. This update of the CHO, required to make the CHO work on these different backgrounds showed that the previously developed algorithm did not generalize well enough. We hypothesized then that the channelization algorithm (feature extraction algorithm) for mass-like lesions can be improved using deep learning. Thus two deep learning model observers were developed in parallel to the standard CHO. Both deep learning methods were trained on 4-AFC examples from humans. This resulted in better generalization across a wider range of DBT vendors and conditions.In summary, this thesis investigated the feasibility of a channelized Hotelling observer to estimate the human observer reading results of image quality evaluation tasks. Two distinct practical tools emerged from the work summarized in this PhD project: a deep learning CHO for mass-like lesion detection and a two-layer CHO for calcification cluster detection. It is our hope that these tools will be used routinely by medical physicists and researchers for image quality evaluation studies. The software is fully prepared for use by many users and a specific teaching course has been developed. We hope that it may help to give DBT the role it deserves in the breast cancer screening, and ultimately bring mortality down.
|
|---|
| Qualifiers | - Mammography - Medical Physics - Model Observers - |
|---|
| Personal | Marshall Nicholas, Bosmans Hilde, Petrov Dimitar |
|---|
| Collaborations | |
|---|
