Hazai mammográfiás CAD rendszer és az elsô tesztek tapasztalatai

INFOKOMMUNIKÁCIÓ

KÉPALKOTÓ DIAGNOSZTIKA

Hazai mammográfiás CAD rendszer és az elsô tesztek tapasztalatai Dr. Horváth Gábor, Budapesti Mûszaki és Gazdaságtudományi Egyetem, Dr. Dömötöri Zsuzsa, Dr. Kovács Gábor Csongor, Semmelweis Egyetem

A különbözô daganatos megbetegedések nagy száma, és az ebbôl adódó magas halálozási arány a megbetegedések megelôzésének vagy legalább korai felismerésének fontosságára hívják fel a figyelmet. Ismeretes, hogy a daganatos betegségek okozta halálozás mérséklésére – legalábbis rövid és középtávon – a korai felismerés és a korai kezelés a legígéretesebb stratégia, mert (i) a hatékonyan alkalmazott elsôdleges megelôzési programok is – daganatbiológiai okokból – csak évtizedekkel késôbb mutatkoznak, és (ii) a rosszindulatú daganatos betegségek kezelésének a sikere klinikai stádiumtól függô; gyógyulás ezért csak korán, a szóródás megindulása elôtt alkalmazott kezeléssel érhetô el.

A daganatos megbetegedések között kitüntetett helyet foglal el az emlôrák, melynek korai felismerése csak tömeges szûrôvizsgálatokkal lehetséges. A nôi rosszindulatú daganatok 28-32%-át az emlô rosszindulatú daganatai teszik ki. Elemzések szerint a nôk megbetegedés miatt elvesztett életéveit számítva az emlôdaganatok következményeit csak a közlekedési balesetek és a fertôzéses megbetegedések okozta életév veszteség múlja felül. A szakmai szempontok figyelembevételével az 50-65 év közötti korosztály kétévente történô mammográfiás vizsgálatától várható a legjobb szûrési eredmény. Randomizált, kontrolált vizsgálatok bizonyították, hogy szûréssel elérhetô mortalitás csökkenés a 30%-ot is megközelítheti. Az egészségügyi fejlesztési irányok egyik fô célja tehát olyan társadalmi méretû prevenciós programok megindítása, melyek még preklinikai (tüneteket, panaszokat nem okozó) állapotban észlelik a rosszindulatú daganatot, vagy a megelôzô állapotot. Ennek népegészségügyi haszna vitathatatlan az emlôdaganatok esetében. Magyarországon az 50-65 éves korosztályba mintegy 1 millió nô tartozik, akiknek kétévente mammográfiás szûrésen kellene megjelenniük. Hazai és nemzetközi adatok szerint a szûrôvizsgálatok során a kiemelés kb. 6%-os, melynek további második vizsgálata során az álpozitív esetek 8093%-os gyakoriságúak. Ezek az adatok, továbbá kiterjedt nemzetközi vizsgálatok [1] azt mutatják, hogy a mammográfiás standard szûrôvizsgálat eredményei az optimálistól jelenleg még messze elmaradnak. Ennek fô oka, hogy a mammográfiás felvételek kiértékelése nehéz. A feladat nehézsége elsôsorban abból adódik, hogy a mammográfiás felvételek és a kóros elváltozásra utaló jelek nagyon változatosak; a tumorra utaló jelek egyes esetekben nagyon könnyen felismerhetôk, máskor vi-

34

IME IV. ÉVFOLYAM 4. SZÁM 2005. MÁJUS

szont még gyakorlott radiológus szem számára is alig észrevehetôek. A minôsítés nehézsége a feladat monotonitásából is adódik. Miközben örvendetes tény, hogy a tumorgyanús esetek száma csak töredéke az összes vizsgált esetnek – ami azt jelenti, hogy a radiológus a képek elemzése során döntôen negatív képeket minôsít és csak viszonylag ritkán talál pozitív gyanús eseteket – ez a figyelem lankadásához is vezethet. Ugyancsak a figyelem csökkenését eredményezi ha sok kép minôsítésére van szükség. A szem kifáradása pont a nehezen felismerhetô eseteknél eredményezhet téves diagnózist. Egy 27 825 paciensre kiterjedô vizsgálat [2] eredményei azt mutatták, hogy a mammográfiás felvételek alapján történô humán diagnózis pontossága nagymértékben függ a mammográfiás felvételek és így az emlô típusától. Míg az ún. zsíremlôkrôl készült felvételeknél a rákra utaló jelek mindössze 2%-a marad rejtve, a közepesen denz emlôkrôl készült felvételeknél ez a szám már mintegy 35%, a nagyon denz eseteknél pedig kismértékben meg is haladja az 50%ot. Ezért különösen ebben az utolsó csoportban nagy a valószínûsége, hogy a tumorgyanús eseteket csak egy késôbbi fázisban, esetleg csak 1-2 év múlva, egy következô szûrésen sikerül detektálni. A késôbbi felismerés a terápia sikerét jelentôsen rontja. A biztos minôsítéshez jó minôségû felvétel, nagy figyelem és tapasztalat szükséges. A nagyon denz esetekben azonban még ez sem elég. A mammográfiás vizsgálatok helyett vagy mellett más, ultrahangos, MRI vizsgálatokra is szükség van. Az emlôrákra utaló jelek korai detektálása érdekében tehát még komoly erôfeszítéseket kell tenni. A korai detektálást segíthetik a számítógépes döntéstámogató vagy diagnosztizáló rendszerek, a CAD rendszerek.

CAD RENDSZEREK A MAMMOGRÁFIÁBAN A mammográfiás CAD rendszerek kifejlesztésére irányuló törekvések lényegében már akkor megindultak, amikor bebizonyosodott, hogy a mammográfiás szûrések biztosította korai felismerés következtében a mortalitás jelentôsen csökkenthetô. A feladat nehézsége, az igényelt nagy számítási komplexitás miatt azonban csak a közelmúltra sikerült már a gyakorlatban, a rutin szûrôvizsgálatokban is alkalmazható CAD rendszereket kifejleszteni. Az egyik nehézség az egész mammográfiás szûrôvizsgálati eljárásból következik. A hagyományos mammográfiás vizsgálatok filmfelvételt készítenek. A filmek megfelelô fel-

INFOKOMMUNIKÁCIÓ


bontású (a felbontás mind a képpontok méretére, mind a kép dinamikára, az egyes képpontok ábrázolásánál a megkülönböztetett szürkeárnyalatok számára vonatkozik) digitalizálása az elsô feladat. A minimálisan szükséges felbontás 50 mikrométer/képpont és képpontonként 8-12 bit. Ez azt eredményezi, hogy az egy vizsgálat során keletkezô 4 kép (mindkét emlôrôl egy-egy felülnézeti – cranio caudalis, CC – és egy-egy ferde oldalnézeti – medio lateralis, MLO – kép készül) együttes mérete mintegy 120-160 Mbájt. Ez szûrôcentrumonként egy igen jó minôségû filmszkennert, nagymennyiségû adat tárolására alkalmas, megfelelô biztonsági követelményeknek eleget tevô tároló rendszert (mammográfiás adatbázis, archívum) és igen jó minôségû, digitális képek megjelenítésére alkalmas megjelenítôket (monitor) igényel. A közelmúltban megjelent néhány filmalapú CAD rendszer [3], [4], az igazi áttörést azonban várhatóan a közvetlen digitális mammográfia jelenti. E téren a General Electric visz úttörô szerepet [5], bár más cég is rendelkezik közvetlen digitális felvételre alkalmas mammográfiás készülékkel [6],[7]. Bár döntéstámogató CAD rendszereknek csak azokat a rendszereket nevezhetjük, melyek a képek kiértékelésében is részt vesznek, a digitális képekkel dolgozó rendszerek döntéstámogatás nélkül is sok segítséget nyújthatnak a felvételek minôsítésének javításában. A digitális képekkel dolgozó rendszerek a képek emberi minôsítését könnyítik meg különbözô képmanipulációs technikákkal, többek között az alábbi lehetôségek biztosításával: • hisztogram kiegyenlítés: eltérô intenzitású képrészek (eltérô denzitású szövetrészek) jobb megkülönböztetése, • nagyítás: egyes részek alaposabb átvizsgálásának lehetôsége, •

inverz kép: az emberi vizsgálat számára a negatív képek sokszor könnyebben értelmezhetôk, • képdinamika módosítás: a képek dinamika tartományának növelése vagy csökkentése akár lokálisan egy-egy képrészletre eltérô mértékben is, rejtett részletek felismerhetôségének javítása, • képszûrések, élkiemelés, nemkívánt zajok eltüntetése, • precíz mérések elvégzése, több kép összevetése stb. A felsorolt lehetôségeken kívül a digitális képekkel való dolgozás számos további elônnyel és néhány hátránnyal járhat. Ezeket itt nem részletezzük, az elônyök és hátrányok egy jó összefoglalása megtalálható az IME korábbi, a témával foglalkozó számos cikkében pl. [8]-ban. A fenti elônyök mellett a digitális képekkel dolgozó mammográfiás kiértékelô rendszerek igazi lehetôsége, ha a számítógépes feldolgozás a tumorra utaló jelek felismerésében is segít. Mammográfiás szûrôvizsgálatoknál – legalábbis jelenleg – nem reális automatikus diagnosztikai rendszer létrehozásáról beszélni. A CAD rendszer feladata valóban csupán segíti a felvételek minôsítését. Ez a kóros elváltozásokra utaló gyanús területek (region of interest, ROI) megjelölé-

sével vagy egy második diagnózis készítésével (second eye) lehetséges. A CAD rendszer tehát nem váltja ki a szakorvost, hanem csupán támogatja és ezáltal könnyíti a szakorvos munkáját. A CAD rendszerrel a szakorvos egy fáradhatatlanul dolgozó, megbízható „munkatársat” kap. A végsô szó azonban továbbra is az orvosé.

NÉHÁNY JELENLEG LÉTEZÔ MAMMOGRÁFIÁS CAD RENDSZER A számítógépes döntéstámogató rendszerek potenciális elônyeit felismerve néhány nagy cég (General Electric, Siemens, Fujitsu, Kodak) az elmúlt 1-2 évben vagy a közvetlen közelmúltban megjelent mammográfiás CAD rendszerekkel. Néhány esetben e rendszerekkel már olyan mennyiségû vizsgálatot is végeztek, mely a CAD rendszerek hatékonyságának elsô minôsítését is lehetôvé teszi. Irodalmi adatok alapján a CAD rendszerek legfontosabb elônyei a következôk [5]: • a képek minôsítésének ideje jelentôsen – mintegy 30%kal – rövidül, • az esetek nagyobb választékának elemzése válik lehetségessé, • az eddig fel nem ismert rákos esetek kb. 40%-át jóval korábban, átlagosan 1 évvel hamarabb sikerül felismerni. Ezek az igen bíztató adatok azonban még nem jelentik azt, hogy a mammográfiás CAD rendszerek általánosan elfogadottá váltak. Alkalmazásuk még néha a radiológusok között is ellenállásba ütközik, hiszen a megszokott radiológiai vizsgálatok jelentôs megváltoztatását igényli. Elterjedésüket – különösen hazai viszonylatban – a magas beruházási költségek is gátolják. A beruházási költségek jelentôs része a háttéreszközök (szkenner, nagyfelbontású monitorok stb.) szükségessége miatt már akkor is felmerül, ha döntéstámogatásról még nem beszélünk, csupán digitális (digitalizált) képek minôsítésérôl van szó. Ehhez járul még a CAD szoftver ára, ami a beszerezhetô CAD szoftverek esetében jelenleg igen magas, mintegy 100-200 ezer USD. Nem meglepô tehát, hogy Magyarországon jelenleg a mammográfiás szûrôvizsgálatokat CAD eszközök nélkül végzik, vagyis a szûrôvizsgálat hagyományos röntgenképek (filmek) hagyományos elemzésén alapul.

HAZAI MAMMOGRÁFIÁS DÖNTÉSTÁMOGATÓ RENDSZER A CAD rendszerek elônyeit felismerve, orvosi kezdeményezésre az OM támogatásával egy IKTA projekt keretében 2002-ben indult egy mammográfiás döntéstámogató rendszer, a képfeldolgozáson alapuló orvosi döntéstámogató rendszer (ODR) kifejlesztésére irányuló munka. A rendszer kifejlesztésében a Budapesti Mûszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek


35

INFOKOMMUNIKÁCIÓ


Tanszéke, a Semmelweis Egyetem II. sz. Patológiai Intézete és az Egyetem Radiológiai és Onkoterápiás Klinikája, továbbá a Kopint-Datorg Rt. vett, illetve vesz részt. A képfeldolgozáson alapuló orvosi döntéstámogató rendszer (ODR) projekt célja olyan – orvosi alkalmazásra készülô – képelemzô és döntéstámogató rendszer kifejlesztése, mely alkalmas nagytömegû röntgen-film elemzésére, a röntgen-filmeken található bizonyos alakzatok detektálására, felismerésére, és ez alapján széleskörû orvosi szûrôvizsgálatok kiértékelésének támogatására. A projekt az emlôrák szûrôvizsgálatok támogatását célozza meg, ahol a hangsúly a prevención van. A rendszer általános felépítését, az alkalmazott megközelítéseket e lap hasábjain korábban röviden már bemutattuk [9]. Ebben a cikkben már az elsô nagyobb esetszámra kiterjedô tesztelés eredményeirôl tudunk beszámolni.

A RENDSZER FÔBB JELLEMZÔI A rendszer a jelenlegi hazai viszonyokhoz alkalmazkodva a hagyományos film alapú mammográfiás szûrések támogatását tûzte ki célul, bár a kidolgozott döntéstámogató, felismerô algoritmusok nyilván alkalmazhatóak lennének közvetlen digitális mammográfiás felvételek elemzésére is, sôt a kifejlesztett rendszer igazi elônye a digitális mammográfiás felvételek kiértékelésénél jelentkezhet. A filmalapú felvételeknél ugyanis – mint már említettük – meg kell oldani a képek digitalizálását/gépbevitelét, ami egyrészt költséges filmszkenner alkalmazását igényli, másrészt az egyébként nagyon jó felbontású filmek bizonyos mértékû minôségromlását eredményezi. A megfelelô minôségû digitalizálás az eredményes elôminôsítés fontos elôfeltétele. Egy számítógépes diagnosztika támogató (CAD) rendszer legfontosabb jellemzôje azonban mégis az, hogy a kóros esetekre utaló elváltozásokat kellô biztonsággal megtalálja-e. Ennek eléréséhez öszszetett algoritmusok kidolgozására volt szükség, mely algoritmusoknál különbözô matematikai módszereket, a mesterséges intelligencia eljárásait és bizonyos mértékig a diagnosztizáló radiológus lépéseinek „utánzását” is alkalmazni kell. Mammográfiás szûrôvizsgálatoknál alapvetôen három eltérô jele lehet a rosszindulatú daganat jelenlétének. A képeken találhatunk (i) mikromeszesedésekre utaló jeleket ún. mikrokalcifikáció klasztereket, (ii) lágyrészárnyékokat, illetve elôfordulnak úgynevezett (iii) szerkezeti torzulások. Egyes kóros eseteknél a felvételeken önmagukban semmi gyanús jel nem fedezhetô fel, azonban a négy felvétel együttes vizsgálata alapján a kóros folyamatok mégiscsak felismerhetôk. Ilyen esetet jelentenek a szerkezeti torzulások, amelyek felismerésénél a két emlôrôl készült azonos nézeti képek összehasonlító elemzése nagy jelentôségû. A több kép együttes elemzésének azonban szerepe van általában is a nehezen felismerhetô esetekben, hiszen kóros elváltozásra utalhat, ha az egy képen látható objektum

36


ugyan önmagában nem mutat típusos elváltozás jegyeket, de a két mellrôl készült képnél jelentôs szimmetriabeli különbségek találhatók. Hasonlóan fontos, hogy az egy emlôrôl készült két nézet együttes elemzése is megtörténjen, hiszen ha egy emlôben mikromeszesedés vagy a röntgenképen árnyékot adó tartomány van, akkor annak nagy valószínûséggel mindkét nézeten látszania kell. Amennyiben egy CAD rendszer több kép együttes elemzésére is képes, valójában a radiológus szakorvos által követett eljárást valósítja meg, hiszen az egy felvétel alapján nem, vagy nehezen eldönthetô esetekben a radiológus is a képek együttes elemzése alapján dönt. Nehezen felismerhetô esetekben további segítséget nyújt a minôsítés meghozatalában a korábban készült felvételekkel való összevetés, amennyiben van, vagy vannak ilyenek. A számítógépes feldolgozás során tehát egyrészt az egyedi felvételek külön-külön történô elemzése, másrészt az egyidejûleg készült felvételek együttes elemzése szükséges, és amennyiben korábbi felvételek is rendelkezésre állnak, az ezekkel való összehasonlítást és az esetlegesen bekövetkezett változás detektálását is meg kell oldani. A szûrôvizsgálatoknál a minôsítés meghozatalát a képi információn kívül rendelkezésre álló egyéb adatok (anamnézis adatok: családi halmozott elôfordulások, a paciens bizonyos tünetei és egyéb vizsgálatok eredményei stb.) is befolyásolják. A CAD rendszernek tehát ezen adatok figyelembevételét is biztosítania kell. A teljes rendszer feldolgozói lépéseit és azok kapcsolatait az 1. ábra mutatja.

1. ábra A mammográfiás döntéstámogató rendszer feldolgozó lépéseinek hierarchiája

INFOKOMMUNIKÁCIÓ


A döntéstámogató rendszer jelenlegi állapotában a két legfontosabb típusú kóros folyamatokra utaló képterületek, a mikromeszesedés klaszterek és a lágyrészárnyékok megjelölésére képes. Ezeket az elváltozásokat az egyedi képek elemzése és a megfelelô kép-párok együttes elemzése alapján végzi. A szerkezeti torzulások detektálására alkalmas eljárások kidolgozása még nem zárult le. Ennek oka, hogy szerkezeti torzulások detektálása különösen nehéz feladatnak bizonyult. A jelenlegi létezô CAD rendszerek – ismereteink szerint – nem is képesek ennek az elváltozás típusnak a detektálására. Szintén késôbb kerül implementálásra a korábbi képekkel való összehasonlítás, az idôbeli változás figyelése. Bár ez nem jelent különösen nehéz feladatot, a rendszer ilyen képességgel való felruházása – az összehasonlító eljárások alapos letesztelése érdekében – egy paciensrôl számos, különbözô idôben készült felvételt igényel. A jelenleg rendelkezésünkre álló képi adatbázis ilyen eseteket nem tartalmaz.

A RENDSZER KIFEJLESZTÉSÉNEK FELTÉTELEI A rendszer kifejlesztése sokféle ismeret összehangolt, együttes felhasználását igényelte (2. ábra).

Klinika radiológus szakorvosai, másrészt felhasználtunk különbözô mammográfiás adatbázisokat, melyek nagymenynyiségû minôsített felvételt tartalmaztak. A munka során három adatbázis képezte a kifejlesztés és a tesztelés hátterét. A MIAS adatbázis (a Mammographic Image Analysis Society adatbázisa) kevés (néhány száz), de jó minôségû felvételt biztosít, ahol az egyes típusos esetekrôl néhány felvétel található [10]. A DDSM adatbázis ennél jóval több – mintegy 2600 – és kellôen reprezentatív esetbôl áll [11]. Folyamatosan épül és bôvül egy hazai adatbázis is a Semmelweis Egyetem Radiológiai és Onkoterápiás Klinikán. A hazai adatbázis különös jelentôsége, hogy itt a szûrési képeken túl kiegészítô információk – anamnézis adatok – valamint korlátozott számban archív felvételek is biztosíthatók. A hazai adatbázis fontosságát külön is kiemeli, hogy itt van leginkább lehetôség az egyes esetekrôl a részletes szakorvosi konzultációra. A rendszer kifejlesztésénél arra is törekedtünk, hogy már a prototípus is illeszkedjen a hazai mammográfiás szûrôcentrumokban alkalmazott informatikai háttérhez. Ennek megfelelôen a kialakított adatbeviteli rendszer illeszkedik a Békersoft mammográfiás modullal kiegészített Fônix informatikai rendszeréhez [12], továbbá a képek digitalizálásánál és a minôsített hazai képi adatbázis építésénél felhasználjuk az ImageMedical PracticeBuilder és IMAS rendszereit [13].

AZ ELSÔ, NAGYOBB SZÁMÚ MINTÁN ELÉRT EREDMÉNYEK

2. ábra

Alapvetô fontosságú volt a megfelelô radiológus szakismeret rendelkezésre állása, felhasználása. Ez két úton történt meg: egyrészt a munkában a szaktudásukkal jelen voltak a Semmelweis Egyetem Radiológiai és Onkoterápiás

A számítógépes diagnosztikai rendszerek kialakításának egyik legnagyobb nehézsége, hogy úgy kell felismerniük a kóros elváltozásokra utaló jeleket, hogy lehetôleg pozitív esteteket ne veszítsünk el, miközben az álpozitív esetek számát a lehetô legalacsonyabb értéken kell tartani. Ha minél nagyobb arányban kívánjuk megtalálni a tumorgyanús eseteket, akkor a valódi pozitív találatok arányát az összes pozitív esethez viszonyítva (vagyis az érzékenységet) legalább 90% körüli értékre kell beállítani. Ugyanakkor az érzékenység növelése nyilvánvalóan az álpozitív esetek számának növekedésére is vezet. Az elsô teszteknél alkalmazott beállításoknál arra törekedtünk, hogy az érzékenység az egyedi képek vizsgálata alapján a 90% közelében legyen. Ez azt eredményezte, hogy a téves pozitív találatok száma relatíve magas volt – ennek jellemzésére a képenkénti álpozitív találatok száma szolgál –, ha egyedi képek elemzésének eredményeit értékeljük. Az elsô, egyedi képekre vonatkozó tesztek eredményeit összefoglalóan az 1. táblázatban adjuk meg. A teszteket a DDSM adatbázisból véletlenszerûen kiválasztott esetekre végeztük és a CAD rendszer bejelöléseit a „hivatalos“, szakorvos által meghozott, sôt biopsziás vizsgálattal megerôsített eredménnyel vetettük össze (Ez az információ a DDSM adatbázishoz különállóan rendelkezésre áll).


37

INFOKOMMUNIKÁCIÓ


Esetszám Kóros lágyrészárnyék Mikromeszesedés klaszter Összesítve

362 141 503

Az ODR CAD rendszer által felismert esetek száma 320 129 449

hely megjelölése, ahol az elsôdleges követelmény a nagy érzékenység. A második szint feladata az elsô szinten pozitívnak minôsített elváltozások további elemzése és az álpozitív esetek minél nagyobb számban történô kiszûrése. A kétszintû vizsgálat értelme, hogy az elsô szint egyszerûbb, ezt a teljes képen el kell végezni, a második szint specifikus, amit már csak a kijelölt területeken végzünk el. Ez különösen ott fontos, ahol a feldolgozás a nagyméretû képek miatt viszonylag hosszú idôt vesz igénybe. A megfelelô eredmény elérését biztosítja az is, hogy a különbözô típusos elváltozások felismerésére több, részben vagy teljesen eltérô megközelítést alkalmazó eljárást használunk és az eljárások eredményeinek kombinálásával biztosítjuk a megfelelô pontosságú eredô minôsítést. Ez az elv akkor mûködik, ha az egyes eljárások önmagukban is pontos és egymáshoz képest minél inkább különbözô eredményt szolgáltatnak. Az eredô megoldás is nagyobb találati arányt biztosít, mint bármelyik egyedi eljárás külön. A mikromeszesedések detektálására jelenleg 5 lényegesen eltérô megközelítést alkalmazó eljárást építettünk a rendszerbe, míg a lágyrészárnyékok detektálására 3 eltérô algoritmus szolgál. A kombinált elemzés elsô eredményei igazolják a feltételezést: miközben az érzékenység lényegében nem változott (kismértékben nôtt) az álpozitív esetek száma jelentôs mértékben csökkent. A tesztelés nagyobbszámú (több száz) esetre jelenleg is folyik, a számszerû eredmények a közeli hetekben várhatók.

Érzékenység 88,5% 91,5% 89,3%

1. táblázat Az ODR CAD rendszer elsô felismerési teszt adatai

Fenti adatok elérése mellett az álpozitív találatokra jellemzô képenkénti átlagos álpozitív találatszám lágyrészárnyékoknál 4.6, míg kalcifikációklasztereknél 2.3 volt. Az eredményeket összevetve a közvetlen közelmúltban megjelent mammográfiás CAD rendszerek eredményeivel az látható, hogy érzékenység tekintetében az eddigi legjobb publikált eredményekkel összemérhetô az általunk elért eredmény (pl. a Kodak Mammography CAD Engine-re vonatkozó összesített érzékenységi adat 84%, [5]), sôt kismértékben azt meg is haladja, az álpozitív esetek számát azonban még jelentôsen csökkenteni kell. (A Kodak rendszerénél ez az adat 1 álpozitív találat/kép [5], más rendszereknél ez az adat 1 és 3 között van). Ennek biztosítása a rendszer kifejlesztése során nyert tapasztalatok szerint csak úgy lehetséges, ha többszintû hierarchikus elemzést alkalmazunk. Az elsô két vizsgálati szint egyedi képekre vonatkozik, további szintek az egy paciensrôl készült több kép együttes vizsgálatára irányulnak. Az elsô szint feladata az egyedi képeken az összes gyanús

a.

b.

c.

3. ábra A valódi lágyrészárnyék találat megerôsítése és az álpozitív találatok elvetése a két nézet együttes elemzésével. (a) a kiinduló MLO kép a megtalált nagy (+) és néhány kisebb lágyrészárnyékkal (-), (b) a CC kép a megjelölt lágyrészárnyékkal (*), (c) az MLO képen a CC kép lágyrészárnyékának megfelelô terület, amely megerôsíti, hogy az valódi elsôdleges detektálás eredményét (+), és elveti a kisebb árnyékok megjelölését.

38


INFOKOMMUNIKÁCIÓ


Az álpozitív találatok számának további jelentôs csökkentését eredményezte a már említett több kép együttes vizsgálata (a hierarchikus vizsgálat harmadik szintje). A 3. ábrán bemutatott képsorozat példaként azt mutatja, hogy egy valódi lágyrészárnyék találat megerôsítése hogyan történik a két nézet (CC és MLO) összevetésével és területi illetve textúrajellemzôk meghatározásával. Az együttes elemzést mind a mikromeszesedésklaszterekre, mind a lágyrészárnyékokra beépítve az álpozitív találatok számát – az elsô, 2-300 eseten alapuló teszteredmények szerint – a mikromeszesedéseknél mintegy 12%-kal, a lágyrészárnyékoknál pedig közel 25%-kal sikerült redukálni, miközben a valódi pozitív találatok száma csak 1-2%-kal csökkent. A nagytömegû tesztelés eredményei a közeli hetekben várhatók.

lenleg az idôproblémát párhuzamos számító rendszer – egy a tanszéki gépekbôl összeállított GRID – alkalmazásával oldjuk meg. Hosszabb távon viszont ezt a többgépes rendszert célszerû kiváltani egy-vagy néhány megfelelô teljesítôképességû géppel. A rendszernek egy mammográfiás szûrôcentrumban történô kísérleti „üzembeállítása” megfelelô infrastruktúrát igényel. Ez a már meglévô infrastruktúrán túl – elsôsorban a filmek szkennelésének megbízható, jó minôségû megoldását, megfelelô felbontású és „képminôségû” monitorok alkalmazását követeli meg. A rendszer szûrôcentrumokban alkalmazható „termék” szintû megvalósítása tehát „pusztán” anyagi kérdés. A szellemi kapacitás – mind a radiológus, mind a mûszaki szakértelem tekintetében – rendelkezésre áll.

TOVÁBBFEJLESZTÉSI FELADATOK ÉS ENNEK FELTÉTELEI

KÖSZÖNETNYILVÁNÍTÁS

Az ODR mammográfiás döntéstámogató rendszer prototípusa elkészült, a nagytömegû tesztelés megkezdôdött. Az elért eredmények azt mutatják, hogy a rendszer teljesítôképessége összemérhetô a közelmúltban megjelent néhány hasonló célú CAD rendszer eredményeivel. Az eredmények azonban még messze nem tökéletesek, már csak a feladat jellegébôl adódóan sem lehetnek azok. A detektáló algoritmusok találati pontossága még tovább javítandó az algoritmusok „finomhangolásával”, ami a nagytömegû tesztelés eredményei alapján lehetséges. További feladat az algoritmusok egy részének gyorsítása. A nagyméretû képek sokféle algoritmussal történô elemzése idôigényes. Je-

A rendszer fejlesztése az OM támogatásával, az IKTA 102/2001 projekt keretében történt. A fejlesztésben a szerzôkön kívül mind a Semmelweis Egyetem (SE), mind a Budapesti Mûszaki és Gazdaságtudományi Egyetem (BME) sok munkatársa vett részt. Minden közremûködô megemlítésére nincs lehetôség, de a rendszer létrehozásában fontos szerepet betöltô kollégákat meg kell említsük: dr. Illyés György dr. Taján Zsolt és dr. Kári Béla, az SE részérôl, dr. Pataki Béla, Valyon József, Takács Gábor, Székely Nóra, Tóth Norbert, Horváth Ákos, Altrichter Márta és Ludányi Zoltán a BME részérôl. Külön köszönet illeti az ImageMedical cég szakembereit a filmszkenner telepítéséért és a rendszerbeillesztésnél nyújtott szakmai konzultációkért.

IRODALOMJEGYZÉK [1] L. Tabár: Diagnosis and In-Depth Differential Diagnosis of Breast Diseases, Breast Imaging and Interventional Procedures, ESDIR, Turku, Finland, 1996. [2] Thomas M. Kolb, Jacob Lichy and Jeffrey H. Newhouse: Comparison of the Performance of Screening Mammography, Physical Examination, and Breast US and Evaluation of Factors that Influence Them: An Analysis of 27,825 Patient Evaluations. Radiology, 2002; vol. 225, pp.165-175 [3] A Summary of Safety and Effectiveness Data (Kodak Mammography CAD Engine) , Nov. 2004. http://www.fda.gov/cdrh/mda/docs/p030007.html [4] Image Diagnost International GmbH: Mammo Workstation http://www.imagediagnost.com [5] Kodak Shows Innovative Mammography CAD System as Work-in-Progress, Aug. 2004. http:/www.kodak.com/US/en/corp/pressReleases/pr2004080101.html

[6] CAD for Senographe 2000D, http://www.gehealthcare.com/usen/xr/mammo/products/cad2000d.html [7] New Technologies to Help Improve Mammography, http://www.imaginis.com/breasthealth/cad.asp#computer [8] Dr. Batthyány István, Papp Ákos, Dr. Duliskovits Tibor: Orvosi képek menedzsmentje, mit várunk a PACS rendszerktôl, IME, Informatika és Menedzsment az Egészségügyben III. évf. 6. szám. 42-50. old. 2004. szeptember. [9] Dr. Kovács Gábor Csongor, Dr. Tarján Zsolt, Dr. Horváth Gábor, Kovács Árpád: Mammográfiás felvételek értékelését segítô számítógépes döntéstámogató rendszerek. IME Informatika és Menedzsment az Egészségügyben, III. évf. 6. szám, 36-41. old. 2004. szeptember [10]The Mammographic Image Analysis Society, Digital Mammography Database, http://www.wiau.man.ac.uk/services/MIAS/MIASweb.html


39

INFOKOMMUNIKÁCIÓ


[11] M. Heath, K. Bowyer, D. Kopans, R. Moore, K. Chang, S. Munishkumaran and P. Kegelmeyer: „Current Status of the Digital Database for Screening Mammography” in Digital Mammography, N. Karssemeier, M. Thijssen, J. Hendriks and L. van Erning (eds.) Proc. of the 4th International Workshop on Digital Mammography, Nijmegen, The Netherlands, 1998. Kluwer Acamdemic, pp. 457-460.

[12] Békersoft: Fônix (Mamma modullal integrált speciális egészségügyi informatikai rendszer, http://www.bsi.hu [13] eRAD ImageMedical: PracticeBuilder 123(r) http://www.eradimagemedical.com/

A SZERZÔK BEMUTATÁSA

40

Dr. Horváth Gábor villamosmérnök, a mûszaki tudomány kandidátusa. 1970ben végzett a Budapesti Mûszaki Egyetem Villamosmérnöki Karán. Kandidátusi fokozatát digitális jelfeldolgozás témakörbôl szerezte 1987-ben. Egyetemi

diplomájának megszerzése óta megszakítás nélkül a BME Méréstechnika és Információs Rendszerek Tanszékén dolgozik. Jelenlegi beosztása egyetemi docens, tanszékvezetô helyettes. Az utóbbi 10 évben elsôsorban neurális hálózatok elméleti kérdéseivel és gyakorlati alkalmazásaival – köztük orvosi alkalmazásaival is – foglalkozik.

Dr. Dömötöri Zsuzsanna radiológus, a SOTE Általános Orvostudományi Karán 1972-ben szerzett orvosi diplomát. Radiológus szakvizsgáját. 1976-ban tette le. Egyetemi diplomájának megszerzését követôen. 1972-tôl 1975-ig a Fôvárosi János Kórház Radiológiai Osztályán dolgozott. 1975 óta a Semmelweis Egyetem Radiológiai és Onko-

terápiás Klinika munkatársa, jelenleg a Klinika mammográfiás részlegének vezetôje adjunktusi beosztásban. Fô munka és kutatási területe az emlôdiagnosztika. 1998 és 2003 között a Magyar Radiológus Társaság Emlôszekciójában vezetôségi tag volt. Több alkalommal részt vett az emlôdiagnosztika területének egyik legfontosabb továbbképzésen a Tabár-kurzuson. Publikációi hazai és nemzetközi radiológia kongresszusokon, magyar illetve német nyelven jelentek meg.

Dr. Kovács G. Csongor sebész, gastroenterológus, 1989-ben végzett a Semmelweis Orvostudományi Egyetemen. Jelenleg az egyetem III. sz. Sebészeti Klinikáján dolgozik. Az or-

vosi munka mellett tanácsadóként vesz részt egészségügyi szoftverek fejlesztésében. A szakterületéhez kapcsolódó emlô és colorectalis daganatok szûrését támogató szoftverek fejlesztésében koordinátorként mûködik közre.


Hazai mammográfiás CAD rendszer és az elsô tesztek tapasztalatai

Recommend Documents