Intézmények:Semmelweis Egyetem, Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék
Évfolyam: IV. évfolyam
Lapszám:2005. / 4
Hónap:május
Oldal:34-40
Terjedelem:7
Rovat:KÉPALKOTÓ DIAGNOSZTIKA
Alrovat:KUTATÁS - FEJLESZTÉS
Absztrakt:
A különböző daganatos megbetegedések nagy száma, és az ebből adódó magas halálozási arány a megbetegedések megelőzésének 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 elsődleges megelőzési programok is – daganatbiológiai okokból – csak évtizedekkel később mutatkoznak, és (ii) a rosszindulatú daganatos betegségek kezelésének a sikere klinikai stádiumtól függő; gyógyulás ezért csak korán, a szóródás megindulása előtt alkalmazott kezeléssel érhető el.
Intézmény: Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék
[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/pr20040801-01.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 rendszerktől, 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 segítő 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
[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: Főnix (Mamma modullal integrált speciális egészségügyi informatikai rendszer, http://www.bsi.hu
[13] eRAD ImageMedical: PracticeBuilder 123(r) http://www.eradimagemedical.com/
A cikket sikeresen a könyvepolcára helyeztük!
Tisztelt Felhasználónk!
A cikket a könyvespolcára helyeztük. A későbbiekben
bármikor elérheti a cikket a könyvespolcán található listáról.
A cikk megtekintéséhez onine regisztráció szükséges!
Tisztelt Látogató!
Az Ön által megtekinteni kívánt cikk az IMEONLINE cikkadatbázisához tartozik, melynek olvasása online regisztrációhoz kötött.
A regisztrálást követően fogja tudni megtekinteni a cikk tartalmát!
A megadott cikk nem elérhető!
Tisztelt Felhasználónk!
Az Ön által megtekinteni kívánt cikk nem elérhető a rendszerben!
A megadott cikk nem elérhető!
Tisztelt Felhasználónk!
Az Ön által megtekinteni kívánt cikk nem elérhető a rendszerben!
Sikeresen szavazott a cikkre!
Tisztelt Felhasználónk!
Köszönjük a szavazatát!
A szavazás nem sikerült!
Tisztelt Felhasználónk!
Ön már szavazott az adott cikkre!
Cikk megtekintése
Tisztelt Felhasználónk!
A cikk több nyelven is elérhető! Kérjük, adja meg, hogy melyik nyelven kívánja megtekinteni az adott cikket!
Cikk megtekintésének megerősítése!
Tisztelt Felhasználónk!
Az Ön által megtekintetni kívánt cikk tartalma fizetős szolgáltatás.
A megtekinteni kívánt cikket automatikusan hozzáadjuk a könyvespolcához!
A cikket bármikor elérheti a könyvespolcok menüpontról is!
INFOKOMMUNIKÁCIÓ KÉPALKOTÓ DIAGNOSZTIKA Hazai mammográfiás CAD rendszer és az első tesztek tapasztalatai Dr. Horváth Gábor, Budapesti Műszaki és Gazdaságtudományi Egyetem, Dr. Dömötöri Zsuzsa, Dr. Kovács Gábor Csongor, Semmelweis Egyetem A különböző daganatos megbetegedések nagy száma, és az ebből adódó magas halálozási arány a megbetegedések megelőzésének 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 elsődleges megelőzési programok is – daganatbiológiai okokból – csak évtizedekkel később mutatkoznak, és (ii) a rosszindulatú daganatos betegségek kezelésének a sikere klinikai stádiumtól függő; gyógyulás ezért csak korán, a szóródás megindulása előtt alkalmazott kezeléssel érhető el. A daganatos megbetegedések között kitüntetett helyet foglal el az emlőrák, melynek korai felismerése csak tömeges szűrővizsgálatokkal lehetséges. A női rosszindulatú daganatok 28-32%-át az emlő rosszindulatú daganatai teszik ki. Elemzések szerint a nők megbetegedés miatt elvesztett életéveit számítva az emlődaganatok következményeit csak a közlekedési balesetek és a fertőzéses megbetegedések okozta életév veszteség múlja felül. A szakmai szempontok figyelembevételével az 50-65 év közötti korosztály kétévente történő mammográfiás vizsgálatától várható a legjobb szűrési eredmény. Randomizált, kontrolált vizsgálatok bizonyították, hogy szűréssel elérhető mortalitás csökkenés a 30%-ot is megközelítheti. Az egészségügyi fejlesztési irányok egyik fő célja tehát olyan társadalmi méretű prevenciós programok megindítása, melyek még preklinikai (tüneteket, panaszokat nem okozó) állapotban észlelik a rosszindulatú daganatot, vagy a megelőző állapotot. Ennek népegészségügyi haszna vitathatatlan az emlődaganatok esetében. Magyarországon az 50-65 éves korosztályba mintegy 1 millió nő tartozik, akiknek kétévente mammográfiás szűrésen kellene megjelenniük. Hazai és nemzetközi adatok szerint a szűrővizsgálatok 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 szűrővizsgálat eredményei az optimálistól jelenleg még messze elmaradnak. Ennek fő oka, hogy a mammográfiás felvételek kiértékelése nehéz. A feladat nehézsége elsősorban abból adódik, hogy a mammográfiás felvételek és a kóros elváltozásra utaló jelek nagyon változatosak; a tumorra utaló jelek egyes esetekben nagyon könnyen felismerhetők, máskor vi- 34 IME IV. ÉVFOLYAM 4. SZÁM 2005. MÁJUS szont még gyakorlott radiológus szem számára is alig észrevehetőek. A minősítés 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 döntően negatív képeket minősít és csak viszonylag ritkán talál pozitív gyanús eseteket – ez a figyelem lankadásához is vezethet. Ugyancsak a figyelem csökkenését eredményezi ha sok kép minősítésére van szükség. A szem kifáradása pont a nehezen felismerhető eseteknél eredményezhet téves diagnózist. Egy 27 825 paciensre kiterjedő vizsgálat [2] eredményei azt mutatták, hogy a mammográfiás felvételek alapján történő humán diagnózis pontossága nagymértékben függ a mammográfiás felvételek és így az emlő típusától. Míg az ún. zsíremlőkről készült felvételeknél a rákra utaló jelek mindössze 2%-a marad rejtve, a közepesen denz emlőkről 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 valószínűsége, hogy a tumorgyanús eseteket csak egy későbbi fázisban, esetleg csak 1-2 év múlva, egy következő szűrésen sikerül detektálni. A későbbi felismerés a terápia sikerét jelentősen rontja. A biztos minősítéshez jó minőségű 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 emlőrákra utaló jelek korai detektálása érdekében tehát még komoly erőfeszítéseket 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 szűrések biztosította korai felismerés következtében a mortalitás jelentősen csökkenthető. A feladat nehézsége, az igényelt nagy számítási komplexitás miatt azonban csak a közelmúltra sikerült már a gyakorlatban, a rutin szűrővizsgálatokban is alkalmazható CAD rendszereket kifejleszteni. Az egyik nehézség az egész mammográfiás szűrővizsgálati eljárásból következik. A hagyományos mammográfiás vizsgálatok filmfelvételt készítenek. A filmek megfelelő fel- INFOKOMMUNIKÁCIÓ KÉPALKOTÓ DIAGNOSZTIKA bontású (a felbontás mind a képpontok méretére, mind a kép dinamikára, az egyes képpontok ábrázolásánál a megkülönböztetett szürkeárnyalatok számára vonatkozik) digitalizálása az első feladat. A minimálisan szükséges felbontás 50 mikrométer/képpont és képpontonként 8-12 bit. Ez azt eredményezi, hogy az egy vizsgálat során keletkező 4 kép (mindkét emlőről egy-egy felülnézeti – cranio caudalis, CC – és egy-egy ferde oldalnézeti – medio lateralis, MLO – kép készül) együttes mérete mintegy 120-160 Mbájt. Ez szűrőcentrumonként egy igen jó minőségű filmszkennert, nagymennyiségű adat tárolására alkalmas, megfelelő biztonsági követelményeknek eleget tevő tároló rendszert (mammográfiás adatbázis, archívum) és igen jó minőségű, digitális képek megjelenítésére alkalmas megjelenítőket (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 úttörő 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 minősítésének javításában. A digitális képekkel dolgozó rendszerek a képek emberi minősítését könnyítik meg különböző képmanipulációs technikákkal, többek között az alábbi lehetőségek biztosításával: • hisztogram kiegyenlítés: eltérő intenzitású képrészek (eltérő denzitású szövetrészek) jobb megkülönböztetése, • nagyítás: egyes részek alaposabb átvizsgálásának lehetősége, • inverz kép: az emberi vizsgálat számára a negatív képek sokszor könnyebben értelmezhetők, • képdinamika módosítás: a képek dinamika tartományának növelése vagy csökkentése akár lokálisan egy-egy képrészletre eltérő mértékben is, rejtett részletek felismerhetőségének javítása, • képszűrések, élkiemelés, nemkívánt zajok eltüntetése, • precíz mérések elvégzése, több kép összevetése stb. A felsorolt lehetőségeken kívül a digitális képekkel való dolgozás számos további előnnyel és néhány hátránnyal járhat. Ezeket itt nem részletezzük, az előnyök és hátrányok egy jó összefoglalása megtalálható az IME korábbi, a témával foglalkozó számos cikkében pl. [8]-ban. A fenti előnyök mellett a digitális képekkel dolgozó mammográfiás kiértékelő rendszerek igazi lehetősége, ha a számítógépes feldolgozás a tumorra utaló jelek felismerésében is segít. Mammográfiás szűrővizsgálatoknál – legalábbis jelenleg – nem reális automatikus diagnosztikai rendszer létrehozásáról beszélni. A CAD rendszer feladata valóban csupán segíti a felvételek minősítését. 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 végső szó azonban továbbra is az orvosé. NÉHÁNY JELENLEG LÉTEZÔ MAMMOGRÁFIÁS CAD RENDSZER A számítógépes döntéstámogató rendszerek potenciális előnyeit 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 mennyiségű vizsgálatot is végeztek, mely a CAD rendszerek hatékonyságának első minősítését is lehetővé teszi. Irodalmi adatok alapján a CAD rendszerek legfontosabb előnyei a következők [5]: • a képek minősítésének ideje jelentősen – 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 jelentős megváltoztatását igényli. Elterjedésüket – különösen hazai viszonylatban – a magas beruházási költségek is gátolják. A beruházási költségek jelentős része a háttéreszközök (szkenner, nagyfelbontású monitorok stb.) szükségessége miatt már akkor is felmerül, ha döntéstámogatásról még nem beszélünk, csupán digitális (digitalizált) képek minősítéséről van szó. Ehhez járul még a CAD szoftver ára, ami a beszerezhető CAD szoftverek esetében jelenleg igen magas, mintegy 100-200 ezer USD. Nem meglepő tehát, hogy Magyarországon jelenleg a mammográfiás szűrővizsgálatokat CAD eszközök nélkül végzik, vagyis a szűrővizsgálat hagyományos röntgenképek (filmek) hagyományos elemzésén alapul. HAZAI MAMMOGRÁFIÁS DÖNTÉSTÁMOGATÓ RENDSZER A CAD rendszerek előnyeit 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 Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek IME IV. ÉVFOLYAM 4. SZÁM 2005. MÁJUS 35 INFOKOMMUNIKÁCIÓ KÉPALKOTÓ DIAGNOSZTIKA 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 készülő – képelemző és döntéstámogató rendszer kifejlesztése, mely alkalmas nagytömegű röntgen-film elemzésére, a röntgen-filmeken található bizonyos alakzatok detektálására, felismerésére, és ez alapján széleskörű orvosi szűrővizsgálatok kiértékelésének támogatására. A projekt az emlőrák szűrővizsgálatok 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 első nagyobb esetszámra kiterjedő tesztelés eredményeiről tudunk beszámolni. A RENDSZER FÔBB JELLEMZÔI A rendszer a jelenlegi hazai viszonyokhoz alkalmazkodva a hagyományos film alapú mammográfiás szűrések támogatását tűzte ki célul, bár a kidolgozott döntéstámogató, felismerő algoritmusok nyilván alkalmazhatóak lennének közvetlen digitális mammográfiás felvételek elemzésére is, sőt a kifejlesztett rendszer igazi előnye 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 mértékű minőségromlását eredményezi. A megfelelő minőségű digitalizálás az eredményes előminősítés fontos előfeltétele. Egy számítógépes diagnosztika támogató (CAD) rendszer legfontosabb jellemzője azonban mégis az, hogy a kóros esetekre utaló elváltozásokat kellő biztonsággal megtalálja-e. Ennek eléréséhez öszszetett algoritmusok kidolgozására volt szükség, mely algoritmusoknál különböző matematikai módszereket, a mesterséges intelligencia eljárásait és bizonyos mértékig a diagnosztizáló radiológus lépéseinek „utánzását” is alkalmazni kell. Mammográfiás szűrővizsgálatoknál alapvetően három eltérő jele lehet a rosszindulatú daganat jelenlétének. A képeken találhatunk (i) mikromeszesedésekre utaló jeleket ún. mikrokalcifikáció klasztereket, (ii) lágyrészárnyékokat, illetve előfordulnak úgynevezett (iii) szerkezeti torzulások. Egyes kóros eseteknél a felvételeken önmagukban semmi gyanús jel nem fedezhető fel, azonban a négy felvétel együttes vizsgálata alapján a kóros folyamatok mégiscsak felismerhetők. Ilyen esetet jelentenek a szerkezeti torzulások, amelyek felismerésénél a két emlőről készült azonos nézeti képek összehasonlító elemzése nagy jelentőségű. A több kép együttes elemzésének azonban szerepe van általában is a nehezen felismerhető esetekben, hiszen kóros elváltozásra utalhat, ha az egy képen látható objektum 36 IME IV. ÉVFOLYAM 4. SZÁM 2005. MÁJUS ugyan önmagában nem mutat típusos elváltozás jegyeket, de a két mellről készült képnél jelentős szimmetriabeli különbségek találhatók. Hasonlóan fontos, hogy az egy emlőről készült két nézet együttes elemzése is megtörténjen, hiszen ha egy emlőben mikromeszesedés vagy a röntgenképen árnyékot adó tartomány van, akkor annak nagy valószínűséggel 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 eldönthető esetekben a radiológus is a képek együttes elemzése alapján dönt. Nehezen felismerhető esetekben további segítséget nyújt a minősítés meghozatalában a korábban készült felvételekkel való összevetés, amennyiben van, vagy vannak ilyenek. A számítógépes feldolgozás során tehát egyrészt az egyedi felvételek külön-külön történő elemzése, másrészt az egyidejűleg 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 szűrővizsgálatoknál a minősítés meghozatalát a képi információn kívül rendelkezésre álló egyéb adatok (anamnézis adatok: családi halmozott előfordulások, 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 KÉPALKOTÓ DIAGNOSZTIKA 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 megfelelő 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 létező CAD rendszerek – ismereteink szerint – nem is képesek ennek az elváltozás típusnak a detektálására. Szintén később kerül implementálásra a korábbi képekkel való összehasonlítás, az időbeli változás figyelése. Bár ez nem jelent különösen nehéz feladatot, a rendszer ilyen képességgel való felruházása – az összehasonlító eljárások alapos letesztelése érdekében – egy paciensről számos, különböző időben 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 különböző mammográfiás adatbázisokat, melyek nagymenynyiségű minősített 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 minőségű felvételt biztosít, ahol az egyes típusos esetekről néhány felvétel található [10]. A DDSM adatbázis ennél jóval több – mintegy 2600 – és kellően reprezentatív esetből áll [11]. Folyamatosan épül és bővül egy hazai adatbázis is a Semmelweis Egyetem Radiológiai és Onkoterápiás Klinikán. A hazai adatbázis különös jelentősége, hogy itt a szűrési képeken túl kiegészítő információk – anamnézis adatok – valamint korlátozott számban archív felvételek is biztosíthatók. A hazai adatbázis fontosságát külön is kiemeli, hogy itt van leginkább lehetőség az egyes esetekről a részletes szakorvosi konzultációra. A rendszer kifejlesztésénél arra is törekedtünk, hogy már a prototípus is illeszkedjen a hazai mammográfiás szűrőcentrumokban alkalmazott informatikai háttérhez. Ennek megfelelően a kialakított adatbeviteli rendszer illeszkedik a Békersoft mammográfiás modullal kiegészített Főnix informatikai rendszeréhez [12], továbbá a képek digitalizálásánál és a minősített hazai képi adatbázis építésénél felhasználjuk az ImageMedical PracticeBuilder és IMAS rendszereit [13]. AZ ELSÔ, NAGYOBB SZÁMÚ MINTÁN ELÉRT EREDMÉNYEK 2. ábra Alapvető fontosságú volt a megfelelő 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 lehetőleg pozitív esteteket ne veszítsünk el, miközben az álpozitív esetek számát a lehető 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 első 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 első, egyedi képekre vonatkozó tesztek eredményeit összefoglalóan az 1. táblázatban adjuk meg. A teszteket a DDSM adatbázisból véletlenszerűen kiválasztott esetekre végeztük és a CAD rendszer bejelöléseit a „hivatalos“, szakorvos által meghozott, sőt biopsziás vizsgálattal megerősített eredménnyel vetettük össze (Ez az információ a DDSM adatbázishoz különállóan rendelkezésre áll). IME IV. ÉVFOLYAM 4. SZÁM 2005. MÁJUS 37 INFOKOMMUNIKÁCIÓ KÉPALKOTÓ DIAGNOSZTIKA Esetszám Kóros lágyrészárnyék Mikromeszesedés klaszter Összesítve 362 141 503 Az ODR CAD rendszer által felismert esetek száma 320 129 449 hely megjelölése, ahol az elsődleges követelmény a nagy érzékenység. A második szint feladata az első szinten pozitívnak minősített elváltozások további elemzése és az álpozitív esetek minél nagyobb számban történő kiszűrése. A kétszintű vizsgálat értelme, hogy az első szint egyszerűbb, 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 nagyméretű képek miatt viszonylag hosszú időt vesz igénybe. A megfelelő eredmény elérését biztosítja az is, hogy a különböző típusos elváltozások felismerésére több, részben vagy teljesen eltérő megközelítést alkalmazó eljárást használunk és az eljárások eredményeinek kombinálásával biztosítjuk a megfelelő pontosságú eredő minősítést. Ez az elv akkor működik, ha az egyes eljárások önmagukban is pontos és egymáshoz képest minél inkább különböző eredményt szolgáltatnak. Az eredő megoldás is nagyobb találati arányt biztosít, mint bármelyik egyedi eljárás külön. A mikromeszesedések detektálására jelenleg 5 lényegesen eltérő megközelítést alkalmazó eljárást építettünk a rendszerbe, míg a lágyrészárnyékok detektálására 3 eltérő algoritmus szolgál. A kombinált elemzés első eredményei igazolják a feltételezést: miközben az érzékenység lényegében nem változott (kismértékben nőtt) az álpozitív esetek száma jelentős mértékben csökkent. A tesztelés nagyobbszámú (több száz) esetre jelenleg is folyik, a számszerű eredmények a közeli hetekben várhatók. Érzékenység 88,5% 91,5% 89,3% 1. táblázat Az ODR CAD rendszer első felismerési teszt adatai Fenti adatok elérése mellett az álpozitív találatokra jellemző 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 összemérhető az általunk elért eredmény (pl. a Kodak Mammography CAD Engine-re vonatkozó összesített érzékenységi adat 84%, [5]), sőt kismértékben azt meg is haladja, az álpozitív esetek számát azonban még jelentősen 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 többszintű hierarchikus elemzést alkalmazunk. Az első két vizsgálati szint egyedi képekre vonatkozik, további szintek az egy paciensről készült több kép együttes vizsgálatára irányulnak. Az első szint feladata az egyedi képeken az összes gyanús a. b. c. 3. ábra A valódi lágyrészárnyék találat megerősítése 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 megfelelő terület, amely megerősíti, hogy az valódi elsődleges detektálás eredményét (+), és elveti a kisebb árnyékok megjelölését. 38 IME IV. ÉVFOLYAM 4. SZÁM 2005. MÁJUS INFOKOMMUNIKÁCIÓ KÉPALKOTÓ DIAGNOSZTIKA Az álpozitív találatok számának további jelentős 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 megerősítése hogyan történik a két nézet (CC és MLO) összevetésével és területi illetve textúrajellemzők meghatározásával. Az együttes elemzést mind a mikromeszesedésklaszterekre, mind a lágyrészárnyékokra beépítve az álpozitív találatok számát – az első, 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 nagytömegű tesztelés eredményei a közeli hetekben várhatók. lenleg az időproblémát párhuzamos számító rendszer – egy a tanszéki gépekből összeállított GRID – alkalmazásával oldjuk meg. Hosszabb távon viszont ezt a többgépes rendszert célszerű kiváltani egy-vagy néhány megfelelő teljesítőképességű géppel. A rendszernek egy mammográfiás szűrőcentrumban történő kísérleti „üzembeállítása” megfelelő infrastruktúrát igényel. Ez a már meglévő infrastruktúrán túl – elsősorban a filmek szkennelésének megbízható, jó minőségű megoldását, megfelelő felbontású és „képminőségű” monitorok alkalmazását követeli meg. A rendszer szűrőcentrumokban alkalmazható „termék” szintű megvalósítása tehát „pusztán” anyagi kérdés. A szellemi kapacitás – mind a radiológus, mind a műszaki szakértelem tekintetében – rendelkezésre áll. TOVÁBBFEJLESZTÉSI FELADATOK ÉS ENNEK FELTÉTELEI KÖSZÖNETNYILVÁNÍTÁS Az ODR mammográfiás döntéstámogató rendszer prototípusa elkészült, a nagytömegű tesztelés megkezdődött. Az elért eredmények azt mutatják, hogy a rendszer teljesítőképessége összemérhető a közelmúltban megjelent néhány hasonló célú CAD rendszer eredményeivel. Az eredmények azonban még messze nem tökéletesek, már csak a feladat jellegéből adódóan sem lehetnek azok. A detektáló algoritmusok találati pontossága még tovább javítandó az algoritmusok „finomhangolásával”, ami a nagytömegű tesztelés eredményei alapján lehetséges. További feladat az algoritmusok egy részének gyorsítása. A nagyméretű képek sokféle algoritmussal történő elemzése időigényes. Je- A rendszer fejlesztése az OM támogatásával, az IKTA 102/2001 projekt keretében történt. A fejlesztésben a szerzőkön kívül mind a Semmelweis Egyetem (SE), mind a Budapesti Műszaki és Gazdaságtudományi Egyetem (BME) sok munkatársa vett részt. Minden közreműködő megemlítésére nincs lehetőség, de a rendszer létrehozásában fontos szerepet betöltő kollégákat meg kell említsük: dr. Illyés György dr. Taján Zsolt és dr. Kári Béla, az SE részéről, dr. Pataki Béla, Valyon József, Takács Gábor, Székely Nóra, Tóth Norbert, Horváth Ákos, Altrichter Márta és Ludányi Zoltán a BME részéről. 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 rendszerktől, 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 segítő 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 IME IV. ÉVFOLYAM 4. SZÁM 2005. MÁJUS 39 INFOKOMMUNIKÁCIÓ KÉPALKOTÓ DIAGNOSZTIKA [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: Főnix (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 műszaki tudomány kandidátusa. 1970ben végzett a Budapesti Műszaki Egyetem Villamosmérnöki Karán. Kandidátusi fokozatát digitális jelfeldolgozás témakörből szerezte 1987-ben. Egyetemi diplomájának megszerzése óta megszakítás nélkül a BME Méréstechnika és Információs Rendszerek Tanszékén dolgozik. Jelenlegi beosztása egyetemi docens, tanszékvezető helyettes. Az utóbbi 10 évben elsősorban 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 követően. 1972-től 1975-ig a Fővárosi János Kórház Radiológiai Osztályán dolgozott. 1975 óta a Semmelweis Egyetem Radiológiai és Onko- terápiás Klinika munkatársa, jelenleg a Klinika mammográfiás részlegének vezetője adjunktusi beosztásban. Fő munka és kutatási területe az emlődiagnosztika. 1998 és 2003 között a Magyar Radiológus Társaság Emlőszekciójában vezetőségi tag volt. Több alkalommal részt vett az emlődiagnosztika 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 emlő és colorectalis daganatok szűrését támogató szoftverek fejlesztésében koordinátorként működik közre. IME IV. ÉVFOLYAM 4. SZÁM 2005. MÁJUS
