Computer aids to mammographic diagnosis

Gale, Alastair G.; Roebuck, E. J.; Riley, Peter J.; Worthington, B. S.

doi:10.1259/0007-1285-60-717-887

Cited by 29 publications

(8 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Resultados de estudos aplicados têm mostrado melhorias estatisticamente significativas de desempenho quando os radiologistas utilizam sistemas de auxílio computadorizado, em comparação com situações em que estes sistemas não são empregados. São relatados aumentos de sensibilidade, de 73% para 87%, e de especificidade, de 32% para 40% (24) . Resultados como estes indicam que o computador pode potencialmente ser utilizado para auxiliar os radiologistas a decidirem quais mulheres devem ser encaminhadas para biópsia, podendo reduzir o número de biópsias desnecessárias.…”

Section: Auxílio Ao Diagnósticounclassified

Diagnóstico auxiliado por computador na radiologia

Azevedo-Marques

2001

Radiol Bras

View full text Add to dashboard Cite

Vários desenvolvimentos tecnológicos estão convergindo de forma a aumentar a influência da área de imagens nas pesquisas biomédicas e na medicina clínica. Muitos pesquisadores têm trabalhado no desenvolvimento de sistemas computadorizados para detecção automatizada e quantificação de anormalidades em imagens radiológicas. Estes sistemas são dedicados ao diagnóstico auxiliado por computador. Este artigo discute os conceitos básicos relacionados ao diagnóstico auxiliado por computador e apresenta uma revisão bibliográfica sobre o assunto. Unitermos: Diagnóstico auxiliado por computador. Radiografia digital. Processamento de imagem. Visão computacional. Inteligência artificial.Computer-aided diagnosis in radiology. ResumoAbstract do computador como referência. A resposta do computador pode ser útil, uma vez que o diagnóstico do radiologista é baseado em avaliação subjetiva, estando sujeito a variações intra e interpessoais, bem como perda de informação devido à natureza sutil do achado radiológico, baixa qualidade da imagem, sobreposição de estruturas, fadiga visual ou distração. Além disso, foi demonstrado que uma dupla leitura (por dois radiologistas) pode aumentar a sensibilidade do diagnós-tico (3) . A proposta do CAD é funcionar como um segundo especialista.Basicamente, existem dois tipos de aplicações de sistemas CAD. Um é o auxílio à detecção de lesões, a partir da localização de padrões anormais através da varredura da imagem pelo computador (por exemplo, agrupamentos de microcalcificações em imagens mamográ-ficas ou nódulos pulmonares em imagens de tórax). O outro é o auxílio ao diagnós-tico, através da quantificação de características da imagem e sua classificação como correspondendo a padrões normais ou anormais (por exemplo, a associação da quantidade e forma das microcalcificações presentes em um agrupamento com a malignidade ou não do tumor, ou a associação da textura dos pulmões com lesões intersticiais em imagens de tórax). Em geral, os sistemas CAD utilizam-se de técnicas provenientes de duas áreas do conhecimento: visão computacional, que envolve o processamento de imagem para realce, segmentação e extração de atributos, e inteligência artificial, que inclui métodos para seleção de atributos e reconhecimento de padrões (4) . Por ter base conceitual genérica e ampla, a idéia do CAD pode ser aplicada a todas as modalidades de obtenção de imagem, incluindo radiografia convencional, tomografia computadorizada, ressonância magnética, ultra-sonografia e medicina nuclear. Pode-se, também, desenvolver esquemas de CAD para todos os tipos de exame de todas as partes do corpo, como crânio, tórax, abdome, osso e sistema vascular, entre outros. Porém, os principais objetos de pesquisa para o desenvolvimento de sistemas CAD têm sido as áreas de mamografia, para a detecção precoce do câncer de mama; tórax, para a detecção de nódulos pulmonares, lesões intersticiais e pneumotórax; e angiografia, para a análise quantitativa de estenoses e de fluxo sanguíneo(1) . VISÃO COMPUTACIONAL E INTELIGÊNCIA ARTIFICIALVisão ...

show abstract

Section: Auxílio Ao Diagnósticounclassified

Diagnóstico auxiliado por computador na radiologia

Azevedo-Marques

2001

Radiol Bras

View full text Add to dashboard Cite

show abstract

“…Currently, such methods include neural networks, nearest neighbor methods, discriminant analysis, cluster analysis, decision trees, and linear programming based methods (see, for instance, (9)(10)(11)(12)(13)(14)(15)(16)). These methods extract general rules which are based on a sample of specific cases.…”

Section: Introductionmentioning

confidence: 99%

The Reliability Issue of Computer-Aided Breast Cancer Diagnosis

Kovalerchuk

Triantaphyllou

Ruiz

et al. 2000

Computers and Biomedical Research

View full text Add to dashboard Cite

This paper introduces a number of reliability criteria for computer-aided diagnostic systems for breast cancer. These criteria are then used to analyze some published neural network systems. It is also shown that the property of monotonicity for the data is rather natural in this medical domain, and it has the potential to significantly improve the reliability of breast cancer diagnosis while maintaining a general representation power. A central part of this paper is devoted to the representation/narrow vicinity hypothesis, upon which existing computer-aided diagnostic methods heavily rely. The paper also develops a framework for determining the validity of this hypothesis. The same framework can be used to construct a diagnostic procedure with improved reliability. ᭧

show abstract

“…Computer-aided diagnosis (CAD) was initially introduced for mammography (14–16), and then extended to breast sonography (17–20) and breast MRI (21–23). …”

mentioning

confidence: 99%

Multimodality Computer-Aided Breast Cancer Diagnosis with FFDM and DCE-MRI

Yuan

Giger

et al. 2010

Academic Radiology

View full text Add to dashboard Cite

Rationale and Objectives To investigate a multimodality computer-aided diagnosis (CAD) scheme that combines image information from full-field digital mammography (FFDM) and dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) for computerized breast cancer classification. Materials and Methods From a retrospective FFDM database with 432 lesions (255 malignant, 177 benign) and a retrospective DCE-MRI database including 476 lesions (347 malignant, 129 benign), we constructed a multimodality dataset of 213 lesions (168 malignant, 45 benign). Each lesion was present on both FFDM and DCE-MRI images and deemed to be a difficult case given the necessity of having both clinical imaging exams. Using a manually indicated lesion location (ie, a seed point on FFDM images or a region of interest on DCE-MRI images, the computer automatically segmented the mass lesions and extracted lesion features). A subset of features was selected using linear stepwise feature selection and merged by a Bayesian artificial neural network to yield an estimate of the probability of malignancy. Receiver operating characteristic (ROC) analysis was used to evaluate the performance of the selected features in distinguishing between malignant and benign lesions. Results With leave-one-lesion-out cross-validation on the multimodality dataset, the mammography-only features yielded an area under the ROC curve (AUC) of 0.74 ± 0.04, and the DCE-MRI-only features yielded an AUC of 0.78 ± 0.04. The combination of these two modalities, which included a spiculation feature from mammography and two kinetic features from DCE-MRI, yielded an AUC of 0.87 ± 0.03. The improvement of combining multimodality information was statistically significant as compared to the use of single modality information alone. Conclusions A CAD scheme that combines features extracted from FFDM and DCE-MRI images may be advantageous to single-modality CAD in the task of differentiating between malignant and benign lesions.

show abstract

Computer aids to mammographic diagnosis

Cited by 29 publications

References 4 publications

Diagnóstico auxiliado por computador na radiologia

Diagnóstico auxiliado por computador na radiologia

The Reliability Issue of Computer-Aided Breast Cancer Diagnosis

Multimodality Computer-Aided Breast Cancer Diagnosis with FFDM and DCE-MRI

Contact Info

Product

Resources

About