ผลการศึกษาข้อมูลเชิงสถิติของภาพเอกซเรย์เต้านม
คำสำคัญ:
ภาพเอกซเรย์เต้านม; มะเร็งเต้านม; ค่าทางสถิติ; ก้อนเนื้องอก; หินปูนขนาดเล็กบทคัดย่อ
หลักการและวัตถุประสงค์: เครื่องเอกซเรย์เต้านมเป็นเครื่องที่นิยมใช้ในการตรวจมะเร็งเต้านมและเนื้อเยื่อต่อม ภาพเอกซเรย์เต้านมบอกเพียงมีรอยโรคเป็นก้อน หรือตำแหน่งของสิ่งผิดปกติเท่านั้นแต่ไม่สามารถระบุชนิดของรอยโรคได้ จำเป็นต้องทำการตัดชิ้นเนื้อส่งตรวจเพื่อยืนยันผลที่ถูกต้อง จากความหลากหลายของเนื้อเยื่อในเต้านม (รอยโรคและเนื้อเยื่อปกติ) ทำให้ภาพเอกซเรย์เต้านมมีค่าข้อมูลที่มีความแตกต่างกันจึงอาจจะแยกความแตกต่างกันแยกเนื้อเยื่อ โดยใช้ข้อมูลภาพได้งานวิจัยนี้จึงมีวัตถุประสงค์ที่จะศึกษาหาความแตกต่างของค่าข้อมูลเชิงสถิติของเนื้อเยื่อเต้านมในภาพเอกซเรย์เต้านม
วิธีการศึกษา: ทำการศึกษาภาพเอกซเรย์เต้านมที่มีรอยโรคต่างกัน จำนวน 89 ภาพ (ก้อนเนื้องอกหรือหินปูนขนาดเล็ก) จากฐานข้อมูลออนไลน์เดอร์ มินิ-ไมแอสของ International Congress Series 1069 แล้วทำการวัดค่าข้อมูลทางสถิติ ความเบ้ ความโด่ง ค่าเบี่ยงเบนมาตรฐาน ค่าผลรวมความดำ ค่าเฉลี่ย ค่ามัธยฐาน และวิเคราะห์ความแตกต่างกันของค่าเฉลี่ยของข้อมูล โดยใช้สถิติ การวิเคราะห์ความแปรปรวนแบบจำแนกทางเดียวและการทดสอบของครัสคาลและวัลลิส สำหรับข้อมูลที่มีการแจกแจงแบบปกติและไม่ปกติ ตามลำดับ
ผลการศึกษา: ผลการศึกษาพบว่า ค่าผลรวมความดำ และ ความโด่งสามารถแยกก้อนเนื้องอกและหินปูนขนาดเล็ก ออกจากกันได้และค่าเฉลี่ย สามารถแยกเนื้อเยื่อปกติออกจากรอยโรคได้อีกด้วยค่าความไวของการแยกก้อนเนื้องอกและหินปูนขนาดเล็ก เท่ากับร้อยละ 87.5 และ 88.89 ตามลำดับ และค่าความจำเพาะของเนื้อเยื่อปกติเท่ากับร้อยละ100 ตามลำดับ
สรุป: ความแตกต่างกันของค่าข้อมูลภาพสามารถช่วยในการวินิจฉัยรอยโรคที่ต่างกันของเต้านมได้
เอกสารอ้างอิง
2. National Cancer Institute. Hospital-Based Cancer Registry2012.Bangkok: National Cancer Institute; 2014.
3. Department of Surgery, Faculty of Medicine Siriraj Hospital. Breast Cancer.[Internet].22 February 2015 [cited Feb 22,2015]. Available from: www.si.mahidol.ac.th/th/department/surgery/
4. Oliver A, Freixenet J, Marti J, Perez E, Pont J, Denton ERE, et al. Pattern recognition. A review of automatic mass detection and segmentation in mammographic images. Med Image Anal 2010; 14: 87–110.
5. American Cancer Society. Cancer facts and figures 2006. Atlanta, GA: American Cancer Society. [Internet]. 2 February 2015 [cited Feb 2, 2015]. Available from: http://www.cancer.org
6. Nithya R, Santh B. Mammogram analysis based on pixel intensity mean features. J Computer Sci 2012; 8: 329-32.
7. Dubey RB, Hanmandlu M, Gupta SK. A comparison of two methods for the segmentation of masses in the digital mammograms. Comput Med Imaging Graph 2010; 34: 185–91.
8. Cheng HD, Shi XJ, Min R, Hu LM, Cai XP, et al. Approaches for automated detection and classification of masses in mammograms. Pattern Recognition.2006; 39: 646 – 68.
9. Mohamed H, Mabrouk MS, Sharawy A. Computer aided detection system for micro calcification sindigital mammograms. Comput Methods Programs Biomed 2014; 116: 226-35.
10. Lehman CD, Wellman RD, Buist DSM, Kerlikowske K, Tosteson ANA, et al. Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA Intern Med 2015; 175: 1828-37.
11. Fenton JJ, Onega T, Zhu W, Balch S, Smith-Bindman R, Henderson L, et al. Validation of a medicare claims-based algorithm for identifying breast cancers detected at screening mammography. Med Care 2016; 54: e15–22.
12. Jebathangam J, Purushothaman S, Rajeswari P. Application of echo state neural network in identification of microcalcification in breast. Digital Image Processing 2016; 8: 45-50.
13. Yudong Z, Xiao JY, Carlo C, Zhengchao D, Ti FY, et al. Abnormal breast detection in mammogram images by feed-forward neural network trained by jayaalgorithm. Fundamenta Informaticae 2017; 151: 191-211.
14. Chiranji LC, Acharjya DP. Breast cancer detection using intuitionistic fuzzy histogram hyperbolization and possibilitic fuzzy c-mean clustering algorithms with texture feature based classification on mammography images. Proceedings of the International Conference on Advances in Information Communication Technology & Computing; New York, USA. 2016.
15. Osman MA, Darwish A, Khedr AE, Ghalwash AZ, Hassanien AE. Enhanced breast cancer diagnosis system using fuzzy clustering means approach in digital mammography. In: Hassanien A, Gaber T, (Eds.). Handbook of Research on Machine Learning Innovations and Trends Hershey, PA: IGI Global. 2017: 925-41.
16. The Mammographic Image Analysis Society. The Mini-MIAS Database of Mammograms. [Internet]. 24 May 2015 [cited May 25, 2015]. Available from:http://www.mammoimage.org/databases/
17. National Institutes of Health (NIH). Image J. [Internet]. 24 February 2015 [cited Feb 24, 2015]. Available from: https://imagej.nih.gov/ij/
18. National Institutes of Health (NIH). ImageJanalzye. [Internet]. 25 June 2015 [cited June 25, 2015]. Available from: https://imagej.nih.gov/ij/docs/guide/146-30.html#toc-Subsection-30.1
19. IBM. IBM SPSS Statistics Base 22.0. [Internet]. 5 March 2015 [cited Mar 5, 2015]. Available from:http://www.ibm.com/software/ analytics/spss/products/statistics/requirements.html.
20. Parikh R, Mathai A, Parikh S, Chandra Sekhar G, Thomas R. Understanding and using sensitivity, specificity and predictive values. Indian J Ophthalmol 2008; 56: 45-50.
21. Muthu Rama Krishnan M, Shuvo Banerjee, Chinmay Chakraborty, Chandan Chakraborty, Ajoy K Ray. Statistical analysis of mammographic features and its classification using support vector machine. Expert Systems with Applications 2010; 37: 470-8.
