Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista

Translated title of the contribution: Automatic Mammographic Nodule Classification Based on MultiView Information Fusion

Research output: Chapter in Book/Report/Conference proceedingChapter

Abstract

A correct evaluation and mammographic interpretation demands a high level of expertise of the observing radiologist, it depends directly on an adequate visual analysis of the findings and the correlation of the radiological characteristics extracted from different mammographic projections. This article presents an automatic classification scheme of nodules contained in Regions of Interest (RoIs), extracted from two different mammographic projections (Lateral Oblique Medium and CreaneoCaudal) obtained from the same mammary gland, through a strategy of ipsilateral information fusion. Once the specialist radiologist selects a Region of Interest in the two mammographic projections, these are characterized by multi-resolution and multi-scale decompositions, for which each RoI is projected on two different spaces defined by the moments of Zernike and the transformed Curvelet, respectively. Thus this heterogeneous information is optimally merged by means of a Multiple Kernel Learning strategy built by training with vectorial support machines (SVM). The performance of the proposed strategy to classify malignant and benign nodules was evaluated with respect to a classification scheme based on the analysis of the RoI corresponding to a single projection, for which a set of 980 RoI extracted from 490 case studies of the mammography database (DDSM) and 216 RoI extracted from 108 case studies of the INBreast database were used. The results obtained report a sensitivity of 98.3% and specificity of 94.5% versus a sensitivity of 96.2% and specificity of 93.1% obtained when multi-resolution characteristics were used in a single projection. These results suggest that the proposed strategy may be useful in clinical scenarios and may contribute to the training of new radiologists as second readers.
Original languageSpanish (Ecuador)
Title of host publicationClasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista
PublisherEditorial Abya-Yala
ISBN (Print)978-9978-10-361-6
StatePublished - 26 Jun 2019

Fingerprint

visual analysis
learning
decomposition
evaluation
analysis

Cite this

Narvaez Espinoza, F. R. (2019). Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. In Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista Editorial Abya-Yala.
Narvaez Espinoza, Fabian Rodrigo. / Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. Editorial Abya-Yala, 2019.
@inbook{59eb7469a3fd4bee874afbbc4d04bd34,
title = "Clasificaci{\'o}n Autom{\'a}tica De N{\'o}dulos Mamogr{\'a}ficos Basada En Fusi{\'o}n De Informaci{\'o}n Multi-Vista",
abstract = "Una correcta evaluaci{\'o}n e interpretaci{\'o}n mamogr{\'a}fica demanda un alto nivel de experticia del radi{\'o}logo observador, depende directamente de un adecuado an{\'a}lisis visual de los hallazgos y la correlaci{\'o}n de las caracter{\'i}sticas radiol{\'o}gicas extra{\'i}das de diferentes proyecciones mamogr{\'a}ficas. En este art{\'i}culo se presenta un esquema de clasificaci{\'o}n autom{\'a}tica de n{\'o}dulos contenidos en Regiones de Interes (RoIs), extra{\'i}dos de dos diferentes proyecciones mamogr{\'a}ficas (Medio Lateral Oblicua y CreaneoCaudal) obtenidas de la misma gl{\'a}ndula mamaria, mediante una estrategia de fusi{\'o}n de informaci{\'o}n ipsilateral. Una vez que, el radi{\'o}logo especialista selecciona una Regi{\'o}n de Inter{\'e}s en las dos proyecciones mamogr{\'a}ficas, estas son caracterizadas mediante descomposiciones multi-resoluci{\'o}n y multi-escala, para lo cual, cada RoI es proyectada sobre dos espacios diferentes definidos por los momentos de Zernike y la transformada Curvelet, respectivamente. As{\'i} esta informaci{\'o}n heterog{\'e}nea es optimamente fusionada mediante una estrategia de aporendizaje de multiples kernels (Multiple Kernel Learning) construida por un entrenamiento con m{\'a}quinas de soporte vectorial (SVM). El desempe{\~n}o de la estrategia propuesta para clasificar n{\'o}dulos malignos y benignos, fue evaluado respecto aun esquema de clasificaci{\'o}n basado en el an{\'a}lisis de la RoI correspondiente a una {\'u}nica proyecci{\'o}n, para lo cual se utilizaron un conjuntoi de 980 RoI extra{\'i}dos de 490 casos de estudio de la base de datos de mamograf{\'i}a (DDSM) y 216 RoI extra{\'i}dos de 108 casos de estudio de la base de datos INBreast. Los resultados obtenidos reportan una sensibilidad del 98,3{\%} y especificidad del 94,5{\%} frente a una sensibilidad del 96,2{\%} y especificidad del 93,1{\%} obtenidos cuando se utilizaron caracter{\'i}sticas multi-resoluci{\'o}n en una {\'u}nica proyecci{\'o}n. Estos resultados sugieren que la estrategia propuesta puede ser {\'u}til en escenarios cl{\'i}nicos y puede contribuir a la capacitaci{\'o}n de nuevo radi{\'o}logos como segundo lector.",
author = "{Narvaez Espinoza}, {Fabian Rodrigo}",
year = "2019",
month = "6",
day = "26",
language = "Espa{\~n}ol (Ecuador)",
isbn = "978-9978-10-361-6",
booktitle = "Clasificaci{\'o}n Autom{\'a}tica De N{\'o}dulos Mamogr{\'a}ficos Basada En Fusi{\'o}n De Informaci{\'o}n Multi-Vista",
publisher = "Editorial Abya-Yala",

}

Narvaez Espinoza, FR 2019, Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. in Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. Editorial Abya-Yala.

Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. / Narvaez Espinoza, Fabian Rodrigo.

Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. Editorial Abya-Yala, 2019.

Research output: Chapter in Book/Report/Conference proceedingChapter

TY - CHAP

T1 - Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista

AU - Narvaez Espinoza, Fabian Rodrigo

PY - 2019/6/26

Y1 - 2019/6/26

N2 - Una correcta evaluación e interpretación mamográfica demanda un alto nivel de experticia del radiólogo observador, depende directamente de un adecuado análisis visual de los hallazgos y la correlación de las características radiológicas extraídas de diferentes proyecciones mamográficas. En este artículo se presenta un esquema de clasificación automática de nódulos contenidos en Regiones de Interes (RoIs), extraídos de dos diferentes proyecciones mamográficas (Medio Lateral Oblicua y CreaneoCaudal) obtenidas de la misma glándula mamaria, mediante una estrategia de fusión de información ipsilateral. Una vez que, el radiólogo especialista selecciona una Región de Interés en las dos proyecciones mamográficas, estas son caracterizadas mediante descomposiciones multi-resolución y multi-escala, para lo cual, cada RoI es proyectada sobre dos espacios diferentes definidos por los momentos de Zernike y la transformada Curvelet, respectivamente. Así esta información heterogénea es optimamente fusionada mediante una estrategia de aporendizaje de multiples kernels (Multiple Kernel Learning) construida por un entrenamiento con máquinas de soporte vectorial (SVM). El desempeño de la estrategia propuesta para clasificar nódulos malignos y benignos, fue evaluado respecto aun esquema de clasificación basado en el análisis de la RoI correspondiente a una única proyección, para lo cual se utilizaron un conjuntoi de 980 RoI extraídos de 490 casos de estudio de la base de datos de mamografía (DDSM) y 216 RoI extraídos de 108 casos de estudio de la base de datos INBreast. Los resultados obtenidos reportan una sensibilidad del 98,3% y especificidad del 94,5% frente a una sensibilidad del 96,2% y especificidad del 93,1% obtenidos cuando se utilizaron características multi-resolución en una única proyección. Estos resultados sugieren que la estrategia propuesta puede ser útil en escenarios clínicos y puede contribuir a la capacitación de nuevo radiólogos como segundo lector.

AB - Una correcta evaluación e interpretación mamográfica demanda un alto nivel de experticia del radiólogo observador, depende directamente de un adecuado análisis visual de los hallazgos y la correlación de las características radiológicas extraídas de diferentes proyecciones mamográficas. En este artículo se presenta un esquema de clasificación automática de nódulos contenidos en Regiones de Interes (RoIs), extraídos de dos diferentes proyecciones mamográficas (Medio Lateral Oblicua y CreaneoCaudal) obtenidas de la misma glándula mamaria, mediante una estrategia de fusión de información ipsilateral. Una vez que, el radiólogo especialista selecciona una Región de Interés en las dos proyecciones mamográficas, estas son caracterizadas mediante descomposiciones multi-resolución y multi-escala, para lo cual, cada RoI es proyectada sobre dos espacios diferentes definidos por los momentos de Zernike y la transformada Curvelet, respectivamente. Así esta información heterogénea es optimamente fusionada mediante una estrategia de aporendizaje de multiples kernels (Multiple Kernel Learning) construida por un entrenamiento con máquinas de soporte vectorial (SVM). El desempeño de la estrategia propuesta para clasificar nódulos malignos y benignos, fue evaluado respecto aun esquema de clasificación basado en el análisis de la RoI correspondiente a una única proyección, para lo cual se utilizaron un conjuntoi de 980 RoI extraídos de 490 casos de estudio de la base de datos de mamografía (DDSM) y 216 RoI extraídos de 108 casos de estudio de la base de datos INBreast. Los resultados obtenidos reportan una sensibilidad del 98,3% y especificidad del 94,5% frente a una sensibilidad del 96,2% y especificidad del 93,1% obtenidos cuando se utilizaron características multi-resolución en una única proyección. Estos resultados sugieren que la estrategia propuesta puede ser útil en escenarios clínicos y puede contribuir a la capacitación de nuevo radiólogos como segundo lector.

M3 - Capítulo

SN - 978-9978-10-361-6

BT - Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista

PB - Editorial Abya-Yala

ER -

Narvaez Espinoza FR. Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. In Clasificación Automática De Nódulos Mamográficos Basada En Fusión De Información Multi-Vista. Editorial Abya-Yala. 2019