Segmentation of the breast region with pectoral muscle suppression and automatic breast density classification

Abstract

Breast cancer is one of the major causes of death among women. Nowadays screening mammography is the most adopted technique to perform an early breast cancer detection ahead other procedures like screen film mammography (SFM) or ultrasound scan. Computer assisted diagnosis (CAD) of mammograms attempts to help radiologists providing an automatic procedure to detect possible cancers in mammograms. Suspicious breast cancers appear as white spots in mammograms, indicating small clusters of micro-calcifications. Mammogram sensitivity decreases due some factors like density of the breast, presence of labels, artifacts or even pectoral muscle. The pre-processing of mammogram images is a very important step in the breast cancer analysis and detection because it might reduce the number of false positives. In this thesis we propose a method to segment and classify automatically mammograms according to their density. We perform several procedures including pre-processing (enhancement of the image, noise reduction, orientation finding or borders removal) and segmentation (separate the breast from the background, labels and pectoral muscle present in the mammograms) in order to increase the sensitivity of our CAD system. The final goal is the classification for diagnosis, in other words, finding the density class for an incoming mammography in order tot determine if more tests are needed to find possible cancers in the image. This functionality will be included in a new clinical imaging annotation system for computer aided breast cancer screening developed by the Communications and Remote Sensing Department at the Université Catholique de Louvain. The source code for the pre-processing and segmentation step has been programmed in C++ using the library of image processing ITK and CMake compiler. The performed method has been applied to medio-lateral oblique-view (MLO) mammograms as well as on caniocauldal mammograms (CC) belonging to different databases. The classification step has been implemented in Matlab. We have tested our pre-processing method obtaining a rate of 100% success removing labels and artifacts from mammograms of mini-MIAS database. The pectoral removal rate has been evaluated subjectively obtaining a rate of good removal of 57.76%. Finally, for the classification step, the best recognition rate that we have obtained was 76.25% using only pixel values, and 77.5% adding texture features, classifying images belonging to mini-MIAS database into 3 different density types. These results can be compared with the actual state of the art in segmentation and classification of biomedical images.

El cáncer de mama es una de las mayores causas de muerte entre las mujeres. Actualmente, las mamografías digitales son la técnica más adoptada para realizar una previa detección de estos cánceres antes que otros procedimientos como "screen film mammography (SFM)" o escáneres de ultrasonidos. Los programas de diagnóstico automático (CAD) ayudan a los radiólogos proveyéndolos de un procedimiento automático para detectar posibles cánceres en las mamografías. Posibles cánceres aparecen en las mamografías como puntos blancos indicando pequeños grupos de micro-calcificaciones. La sensibilidad de las mamografias decrece debido a algunos factores como la densidad del pecho, presencia de etiquetas o artefactos o incluso de músculo pectoral. El pre-procesado de las mamografías es un paso muy importante en la detección de posibles cánceres de mama ya que puede reducir el número de falsos positivos. En esta tesis proponemos un método para segmentar y clasificar automáticamente las mamografías según su densidad. Hemos realizado varios procedimientos incluyendo, pre-procesado (realce de la imagen, reducción de ruido, descubrimiento de la orientación o supresión de bordes) y segmentación (separar el pecho de fondo, etiquetas y músculo pectoral presente en mamografías) para incrementar la sensibilidad de nuestro sistema CAD. El objetivo final es la clasificación para diagnosis, en otras palabras, encontrar la clase de densidad para una mamografía entrante y determinar si son necesarios más pruebas para encontrar posibles cánceres en las imágenes. Esta funcionalidad va a ser incluida en una nueva aplicación ara anotación de imágenes clínicas desarrollada por el Departamento de Comunicación y Detección Remota de la Universidad Católica de Lovaina. El código fuente para el pre-procesado y la segmentación ha sido desarrollado en C++ utilizando la librería de procesado de imagen ITK y el compilador CMake. El método implementado puede ser aplicado a tanto medio-lateral (MLO) como a caniocauldal mamografías (CC) pertenecientes a diferentes bases de datos. El método de clasificación ha sido implementado en Matlab. Hemos testeado nuestro método de pre-procesado obteniendo una tasa de suceso próxima al 100% en la eliminación de etiquetas y artefactos de la base de datos de mamografías mini-MIAS. La tasa de supresión de músculo pectoral ha sido evaluada de forma subjetiva obteniendo un 57.76%. Finalmente, en el método de clasificación se ha obtenido un 76.25% usando sólo información de los píxeles y un 77.5% usando información de texturas. Los resultados pueden ser comparados con el actual estado del arte en segmentación y clasificación de imágenes biomédicas.

El càncer de mama és una de les majors causes de mort entre les dones. Actualment, les mamografies digitals són la tècnica més utilitzada per realitzar una prèvia detecció d'aquests càncers abans que altres procediments com "screen film mammography (SFM)" o escàners d'ultrasons. Els programes de diagnòstic automàtic (CAD) ajuden als radiòlegs proveïnt d'un procediment automàtic per detectar possibles càncers a les mamografies. Possibles càncers apareixen en les mamografies com punts blancs indicant petits grups de micro-calcificacions. La sensibilitat de les mamografies decreix a causa d'alguns factors com la densitat del pit, presència d'etiquetes o artefactes o fins i tot de múscul pectoral. El pre-processat de les mamografies és un pas molt important en la detecció de possibles càncers de mama ja que pot reduir el nombre de falsos positius. En aquesta tesi proposem un mètode per segmentar i classificar automàticament les mamografies segons la seva densitat. Hem realitzat diversos procediments incloent, pre-processat (realç de la imatge, reducció de soroll, descobriment de l'orientació o supressió de vores) i segmentació (separar el pit de fons, etiquetes i múscul pectoral present en mamografies) per incrementar la sensibilitat de nostre sistema CAD. L'objectiu final és la classificació per diagnosi, en altres paraules, trobar la classe de densitat per a una mamografia entrant i determinar si són necessaris més proves per trobar possibles càncers en les imatges. Aquesta funcionalitat serà inclosa en una nova aplicació ara anotació d'imatges clíniques desenvolupada pel Departament de Comunicació i Detecció Remota de la Universitat Catòlica de Lovaina. El codi font per al pre-processat i la segmentació ha estat desenvolupat en C + + utilitzant la llibreria de processat d'imatge ITK i el compilador CMake. El mètode implementat pot ser aplicat a tant mediolateral (MLO) com a caniocauldal mamografies (CC) pertanyents a diferents bases de dades. El mètode de classificació ha estat implementat en Matlab. Hem testejat el nostre mètode de pre-processat obtenint una taxa de succés propera al 100% en l'eliminació d'etiquetes i artefactes de la base de dades de mamografies mini-MIAS. La taxa de supressió de múscul pectoral ha estat avaluada de manera subjectiva obtenint un 57.76%. Finalment, en el mètode de classificació s'ha obtingut un 76.25% usant només informació dels píxels i un 77.5% usant informació de textures. Els resultats poden ser comparats amb l'actual estat de l'art en segmentació i classificació d'imatges biomèdiques.