Selbstorganisierende neuronale Netze zur automatischen Detektion und Klassifikation von Kontrast(mittel)-verstärkten Läsionen in der dynamischen MR-Mammographie

Zusammenfassung

Ziel: Untersuchung und statistische Evaluation von „selbstorganisierenden Karten”, einem speziellen Typ der neuronalen Netze aus dem Formenkreis der „Künstlichen Intelligenz”, zur Detektion und Beurteilung Kontrastmittel-verstärkter Läsionen in der dynamischen MR-Untersuchung der weiblichen Brust. Methoden: 176 dynamische MR-Untersuchungen der weiblichen Brust mit histologisch gesicherten, Kontrastmittel-verstärkten Läsionen wurden retrospektiv per Zufall in eine Trainings- und Testgruppe aufgeteilt. Mehrere selbstorganisierende neuronale Netze mit unterschiedlichen Parametern wurden mittels der Trainingsgruppe erstellt und anhand der Testgruppe validiert. Die vom neuronalen Netz ermittelte Malignitäts-Wahrscheinlichkeit wurde mithilfe farbiger Pixel auf dem ursprünglichen MRT-Schichtbild visualisiert und die Ergebnisse dieser Computer-generierten Einschätzung statistisch ausgewertet. Ergebnisse: Das beste hier verwendete neuronale Netz erzielte eine Sensitivität von 90,5 % bei einer Spezifität von 72,2 % in der Vorhersage der Dignität von 88 Kontrastmittel-verstärkten, histologisch gesicherten Läsionen. Die Detailanalyse der falsch positiven Befunde zeigte, dass sich die Kontrastmittelkinetik etwa der Hälfte aller Fibroadenome nahezu identisch zu denen von malignen Tumoren verhielt. Eine weitere Differenzierung dieses Überschneidungsbereichs erscheint nur anhand des Signalverlaufs prinzipiell nicht möglich, jedoch wurden die so gearteten Tumoren in einem scharf begrenzten Bezirk innerhalb der selbstorganisierenden Karte lokalisiert. Schlussfolgerungen: Selbstorganisierende Karten sind in der Lage, eine Klassifikation der Kontrastmittelkinetik in „typisch benigne” und „typisch maligne” vorzunehmen. Aufgrund der jetzt bekannten Lokalisation der problematischen Fibroadenome innerhalb des selbstorganisierenden Netzes erscheint es nun möglich, eben diese Läsionen in weiteren Schritten mit anderen Untersuchungsergebnissen zu klassifizieren (beispielsweise basierend auf T2-gewichteten Sequenzen oder einer Morphologie-Analyse).

Abstract

Purpose: Investigation and statistical evaluation of “Self-Organizing Maps,” a special type of neural networks in the field of artificial intelligence, classifying contrast enhancing lesions in dynamic MR-mammography. Material and Methods: 176 investigations with proven histology after core biopsy or operation were randomly divided into two groups. Several Self-Organizing Maps were trained by investigations of the first group to detect and classify contrast enhancing lesions in dynamic MR-mammography. Each single pixel's signal/time curve of all patients within the second group was analyzed by the Self-Organizing Maps. The likelihood of malignancy was visualized by color overlays on the MR-images. At last assessment of contrast-enhancing lesions by each different network was rated visually and evaluated statistically. Results: A well balanced neural network achieved a sensitivity of 90.5 % and a specificity of 72.2 % in predicting malignancy of 88 enhancing lesions. Detailed analysis of false-positive results revealed that every second fibroadenoma showed a “typical malignant” signal/time curve without any chance to differentiate between fibroadenomas and malignant tissue regarding contrast enhancement alone; but this special group of lesions was represented by a well-defined area of the Self-Organizing Map. Discussion: Self-Organizing Maps are capable of classifying a dynamic signal/time curve as “typical benign” or “typical malignant.” Therefore, they can be used as second opinion. In view of the now known localization of fibroadenomas enhancing like malignant tumors at the Self-Organizing Map, these lesions could be passed to further analysis by additional post-processing elements (e.g., based on T2-weighted series or morphology analysis) in the future.

Breast - magnetic resonance (MR) - contrast enhancement - computers, diagnostic aid - neural network

Literatur

• 1 Fischer U, von Heyden D, Vosshenrich R. et al . Signalverhalten maligner und benigner Lasionen in der dynamischen 2D- MRT der Mamma.  Fortschr Röntgenstr. 1993;  158 287-379
• 2 Harms S E. Breast magnetic resonance imaging.  Semin-Ultrasound-CT-MR. 1998;  19 104-120
• 3 Heywang-Koebrunner S H, Viehweg P. Sensitivity of contrast-enhanced MR imaging of the breast.  Magn Reson Imaging Clin N Am. 1994;  2 527-538
• 4 Kaiser W A. MR Mammographie.  Radiologe. 1993;  33 292-299
• 5 Kuhl C K, Mielcareck P, Klaschik S. et al . Dynamic breast MR imaging: are signal intensity time course data useful for differential diagnosis of enhancing lesions?.  Radiology. 1999;  211 101-110
• 6 Heywang-Koebrunner S, Bick U, Jr Bradley W G. et al . International investigation of breast MRI: results of a multicentre study (11 sites) concerning diagnostic parameters for contrast-enhanced MRI based on 519 histopathologically correlated lesions.  Eur Radiol. 2001;  11 531-546
• 7 Kuhl C K, Schild H H. Dynamic image interpretation of MRI of the breast.  J Magn Reson Imaging. 2000;  12 965-974
• 8 Dannert S, Kruck W, Schick F. et al . MR-tomographische Charakterisierung suspekter Mammabefunde mittels suszeptibilitatsgewichteter T2*-Sequenzen.  Fortschr Röntgenstr. 2001;  173 38-43
• 9 Teifke A, Lehr H A, Vomweg T W. et al . Outcome analysis and rational management of enhancing lesions incidentally detected on contrast-enhanced MRI of the breast.  AJR Am J Roentgenol. 2003;  181 655-662
• 10 Nunes L W, Schnall M D, Orel S G. Update of breast MR imaging architectural interpretation model.  Radiology. 2001;  219 484-494
• 11 Furman-Haran E, Grobgeld D, Kelcz F. et al . Critical role of spatial resolution in dynamic contrast-enhanced breast MRI.  J Magn Reson Imaging. 2001;  13 862-867
• 12 Kelcz F, Furman-Haran E, Grobgeld D. et al . Clinical testing of high-spatial-resolution parametric contrast-enhanced MR imaging of the breast.  AJR Am J Roentgenol. 2002;  179 1485-1492
• 13 Vomweg T W, Teifke A, Kunz R P. et al . Combination of low and high resolution sequences in two orientations for dynamic contrast-enhanced MRI of the breast: more than a compromise.  Eur Radiol. 2004;  14 1732-1742
• 14 Kuhl C K, Bieling H B, Lutterbey G. et al . Standardisierung und Beschleunigung der quantitativen Analyse dynamischer MR-Mammographien durch Parameterbilder und automatisierter ROI-Definition.  Fortschr Röntgenstr. 1996;  164 475-482
• 15 Agoston A T, Daniel B L, Herfkens R J. et al . Intensity-modulated parametric mapping for simultaneous display of rapid dynamic and high-spatial-resolution breast MR imaging data.  Radiographics. 2001;  21 217-26
• 16 Carpenter W A, Stiles R G, Sheppard S K. Color map of contrast enhancement on MR images: use of desktop computers.  AJR Am J Roentgenol. 1994;  162 223-226
• 17 Vomweg T W, Teifke A, Schreiber W G. et al . Eine Kombination niedrig auflösender dynamischer T₁-gewichteter Sequenzen zur besseren Beurteilung der Morphologie Kontrastmittel aufnehmender Läsionen in der MRT der weiblichen Brust.  Fortschr Röntgenstr. 2002;  174 1445-1449
• 18 Brinck U, Fischer U, Korabiowska M. et al . The variability of fibroadenoma in contrast-enhanced dynamic MR mammography.  AJR Am J Roentgenol. 1997;  168 1331-1334
• 19 Weinstein D, Strano S, Cohen P. et al . Breast fibroadenoma: mapping of pathophysiologic features with three-time-point, contrast-enhanced MR imaging - pilot study.  Radiology. 1999;  210 233-240
• 20 Lucht R E, Knopp M V, Brix G. Classification of signal-time curves from dynamic MR mammography by neural networks.  Magn Reson Imaging. 2001;  19 51-57
• 21 Vergnaghi D, Monti A, Setti E. et al . A use of a neural network to evaluate contrast enhancement curves in breast magnetic resonance images.  J Digit Imaging. 2001;  14 58-59
• 22 Abdolmaleki P, Buadu L D, Naderimansh H. Feature extraction and classification of breast cancer on dynamic magnetic resonance imaging using artificial neural network.  Cancer Lett. 2001;  171 183-191
• 23 Harte P, Hanka R, Dixon A K. et al . Neural Networks in the Interpretation of Contrast-Enhanced Magnetic Resonance Images of the Breast.  1999;  , http: //www.medinfo.cam.ac.uk/miu/papers/hanka/nnandmri.htm
• 24 Vomweg T W, Buscema M, Kauczor H U. et al . Improved artificial neural networks in prediction of malignancy of lesions in contrast-enhanced MR-mammography.  Med Phys. 2003;  30 2350-2359
• 25 Fischer H, Hennig J. Neural network-based analysis of MR time series.  Magn Reson Med. 1999;  41 124-131
• 26 Kohonen T. Self-Organized Formation of Topologically Correct Feature Maps.  Biological Cybernetics. 1982;  43 59-69
• 27 Kohonen T. Self-Organizing Maps. 2nd extended ed. Berlin; Springer 1995
• 28 Nauck D, Klawonn F, Kruse R. Neuronale Netze und Fuzzy-Systeme, 2. ed. Wiesbaden; Vieweg 1996
• 29 Ritter H, Martinetz T, Schulten K. Neuronale Netze - Eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke. Bonn, München, New York; Addison-Wesley Publishing Company 1990
• 30 Kohonen T. A Look into the Self-Organizing Maps.  Helsinki University of Technology: Neural Networks Research Centre ICSC Academic Press,. 2000; 
• 31 Heitmann K R, Kauczor H U, Thelen M. Einsatz hirarchischer Architekturen in der Analyse von Thorax CT Bildern.  Fortschr Röntgenstr. 1996;  65 326
• 32 Heitmann K R, Kauczor H, Mildenberger P. et al . Automatic detection of ground glass opacities on lung HRCT using multiple neural networks.  Eur Radiol. 1997;  7 1463-1472
• 33 Heitmann K R, Ruckert S, Heussel C P. et al . Automated detection of spleen volume by spiral CT scans using neural networks and “fuzzy logic”.  Fortschr Röntgenstr. 2000;  172 139-146
• 34 Heitmann K R, Uthmann T, Diaz W F. HYBRIKON: Ein hybrides Multi-Ebenen-Modell für die radiologische Bildanalyse. http: //www.informatik.uni-freiburg.de/˜ki-97/, 21. Freiburg; Deutsche Jahrestagung für künstliche Intelligenz (KI-97) 1997
• 35 Abdolmaleki P, Buadu L D, Murayama S. et al . Neural network analysis of breast cancer from MRI findings.  Radiat Med. 1997;  15 283-293
• 36 Buscema M. Theory: Foundation of Artificial Neural Networks.  Substance Use & Misuse. 1998;  33 28-98
• 37 Holland A E, Hendrick R E, Jin H. et al . Correlation of high-resolution breast MR imaging with histopathology; validation of a technique.  J Magn Reson Imaging. 2000;  11 601-606
• 38 Degani H, Gusis V, Weinstein D. et al . Mapping pathophysiological features of breast tumors by MRI at high spatial resolution.  Nat Med. 1997;  3 780-782
• 39 Hoffmann U, Brix G, Knopp M V. et al . Pharmacokinetic mapping of the breast: a new method for dynamic MR mammography.  Magn Reson Med. 1995;  33 506-514
• 40 Mussurakis S, Buckley D L, Coady A M. et al . Observer variability in the interpretation of contrast enhanced MRI of the breast.  Br J Radiol. 1996;  69 1009-1016
• 41 Ikeda D M, Hylton N M, Kinkel K. et al . Development, standardization, and testing of a lexicon for reporting contrast-enhanced breast magnetic resonance imaging studies.  J Magn Reson Imaging. 2001;  13 889-895
• 42 Bruckner T, Lucht R, Brix G. Comparison of rigid and elastic matching of dynamic magnetic resonance mammographic images by mutual information.  Med Phys. 2000;  27 2456-2461
• 43 Denton E R, Sonoda L I, Rueckert D. et al . Comparison and evaluation of rigid, affine, and nonrigid registration of breast MR images.  J Comput Assist Tomogr. 1999;  23 800-805
• 44 Hayton P M, Brady M, Smith S M. et al . A Non-Rigid Registration Algorithm for Dynamic Breast MR Images.  Artif Intell Med. 1999;  114 125-156
• 45 Kuhl C K, Klaschik S, Mielcarek P. et al . Do T2-weighted pulse sequences help with the differential diagnosis of enhancing lesions in dynamic breast MRI?.  J Magn Reson Imaging. 1999;  9 187-196
• 46 Nunes L W, Schnall M D, Orel S G. et al . Correlation of lesion appearance and histologic findings for the nodes of a breast MR imaging interpretation model.  Radiographics. 1999;  19 79-92
• 47 Nunes L W, Schnall M D, Siegelman E S. et al . Diagnostic performance characteristics of architectural features revealed by high spatial-resolution MR imaging of the breast.  Am J Roentgenol. 1997;  169 409-415
• 48 Vyborny C J, Doi T, O’Shaughnessy K F. et al . Breast cancer: importance of spiculation in computer-aided detection.  Radiology. 2000;  215 703-707