Development of model observers for quantitative assessment of mammography image quality

dc.contributor.advisorMüller, Klaus-Robert
dc.contributor.authorKretz, Tobias
dc.contributor.grantorTechnische Universität Berlinen
dc.contributor.refereeMüller, Klaus-Robert
dc.contributor.refereeSechopoulos, Ioannis
dc.contributor.refereeElster, Clemens
dc.date.accepted2020-09-01
dc.date.accessioned2020-10-07T14:53:54Z
dc.date.available2020-10-07T14:53:54Z
dc.date.issued2020
dc.description.abstractAssurance of image quality has become a basic need in our society as images play a crucial role in this era of social media and digitization. Applications range from surveillance to medical imaging. Image quality is defined as the degree of clarity of its elements. Images undergo a chain of processes before being perceived by the viewer, starting from acquisition to digitization, compression, pre-processing and final presentation. Image quality expresses the extent of distortion of the original image information by various degradation processes. In mammography, image quality specifically defines the perceptibility of clinically relevant structures, like abnormal masses and suspicious micro-calcifications, that allows one to reliably detect breast cancer at an early stage. The image quality in mammography can be assessed by analyzing recordings of technical phantoms that contain artificial lesions with various diameters and contrast levels. This way, a contrast-detail information can be determined, which expresses the ability of an observer to detect the individual lesions with prescribed accuracy. Automatic procedures are favored for objectively determining this contrast-detail information. In this thesis, several data analysis methods for assessing image quality in mammography are developed, tested and compared to the current state-of-the-art procedure which is recommended by a European organization. The first contribution of this thesis is the implementation of a virtual mammography for the simulation of realistic images of a technical phantom. Simulated images of a known virtual specimen allow different image quality assessment procedures to be assessed and compared. In addition, virtual mammography makes it possible to set up large data sets at low cost that are required for the application of data-intensive techniques, such as deep learning. Automatic procedures for image quality assessment in mammography usually comprise expert pre-processing and the utilization of mathematical model observers. Our second contribution is the development of a method that utilizes a recently developed parametric model observer. This way, the contrast-detail information is based on established measures of image quality. Furthermore, an uncertainty of the prediction can be estimated. Compared to the current practice, our proposed approach reduces the workload for quality assurance measurements. Even though our method needs fewer images, it still requires expert pre-processing. Deep learning is able to avoid such expert pre-processing and to derive representative features automatically from the images. Our third contribution is the exploration of the applicability of deep learning methods for image quality assessment in mammography. Specifically, a deep learning observer is developed that estimates the contrast-detail information directly from a single image. No cumbersome pre-processing of the images is required. Our last contribution is the explanation of predictions of the developed deep learning observer as well as the estimation of the uncertainty of its prediction. The former gives interesting insights into the learned strategy, whereas the latter expresses the confidence about our proposed model.en
dc.description.abstractDas Sichern der Bildqualität ist von enormer Bedeutung für unsere Gesellschaft, da Bilder diese Ära der sozialen Medien und Digitalisierung prägen; die Anwendungen reichen von Überwachung bis zu medizinischer Bildgebung. Die Qualität eines Bildes ist definiert als Grad der Klarheit seiner Bestandteile. Bevor Bilder von einem Beobachter wahrgenommen werden, durchlaufen sie eine Prozesskette, angefangen von der Aufnahme zu Digitalisierung, Bildkompression, Bildbearbeitung und schließlich Darstellung. Die Bildqualität beschreibt dann in welchem Ausmaß das ursprüngliche Bild durch verschiedene Artefakte gestört wird. In der Mammographie beschreibt Bildqualität die Wahrnehmbarkeit von klinisch relevanten Strukturen wie abnormen Massen und verdächtigem Mikrokalk, deren Nachweis ermöglicht, Brustkrebs in einem frühen Stadium zu erkennen. Die Bildqualität kann durch das Analysieren von Aufnahmen technischer Phantome, die künstliche Läsionen unterschiedlicher Größe und Kontrastniveaus enthalten, bestimmt werden. Dadurch wird eine Kontrast-Detail Information ermittelt, die angibt, ob ein Beobachter die Läsionen mit ausreichender Genauigkeit erkennen kann. Favorisiert werden dabei automatische Prozeduren, die Objektivität gewährleisten. In dieser Arbeit werden verschiedene Analysemethoden zur Bestimmung der Bildqualität in der Mammographie entwickelt, getestet und mit dem aktuellen Standard verglichen, der von einer europäischen Organisation empfohlen wird. Unser erster Beitrag ist die Implementierung einer virtuellen Mammographie, um realistische Bilder eines technischen Phanomts simulieren zu können. Simulierte Bilder eines bekannten, virtuellen Testobjekts gewährleisten Vergleichbarkeit und ermöglichen die Validierung verschiedener Verfahren. Des Weiteren können mittels virtueller Mammographie große Datensätze mit geringem Aufwand erstellt werden, die notwendig sind um datenintensive Methoden, wie deep learning, anzuwenden. Typischerweise setzen sich automatische Prozeduren zur Bestimmung der Bildqualität in der Mammographie zusammen aus aufwendiger Bildbearbeitung und Anwendung eines modellbasierten Beobachters. Unser zweiter Beitrag ist die Entwicklung einer Methode, die auf einem kürzlich entwickelten parametrischen Modell basiert. Dadurch lässt sich die Kontrast-Detail Information auf etablierte Maße für die Bildqualität zurückführen. Außerdem kann eine Unsicherheit der Vorhersage angegeben werden. Verglichen mit dem gängigen Standard reduziert unser Verfahren den Aufwand von Qualitätskontrollmessungen. Auch wenn unser Verfahren weniger Bilder braucht, müssen diese zunächst aufwendig bearbeitet werden. Deep learning ermöglicht es aufwendige Bildbearbeitung zu umgehen, indem repräsentative Merkmale direkt aus den Bildern bestimmt werden. In unserem dritten Beitrag versuchen wir herauszufinden, ob sich deep learning für die Bestimmung der Bildqualität in der Mammographie eignet. Ein deep learning observer wurde entwickelt, der die Kontrast-Detail Information direkt aus einem Einzelbild bestimmen kann. Die Bilder müssen nun nicht mehr aufwändig bearbeitet werden. Unser letzter Beitrag behandelt das Nachvollziehen spezifischer Vorhersagen unseres deep learning observers sowie eine Abschätzung der Unsicherheit derselben. Ersteres liefert interessante Einblicke in die erlernte Strategie, wohingegen letzteres ermöglicht abzuschätzen wie sicher die Vorhersagen unseres Modells sind.de
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/11664
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-10552
dc.language.isoenen
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/en
dc.subject.ddc004 Datenverarbeitung; Informatikde
dc.subject.ddc006 Spezielle Computerverfahrende
dc.subject.othermammographyen
dc.subject.otherimage qualityen
dc.subject.othermachine learningen
dc.subject.otheruncertaintyen
dc.subject.othermodel observeren
dc.subject.otherMammographiede
dc.subject.otherBildqualitätde
dc.subject.othermaschinelles Lernende
dc.subject.otherUnsicherheitde
dc.subject.othermodellbasierte Beobachterde
dc.titleDevelopment of model observers for quantitative assessment of mammography image qualityen
dc.title.translatedEntwicklung von Modellen für die quantitative Bestimmung der Bildqualität in der Mammographiede
dc.typeDoctoral Thesisen
dc.type.versionacceptedVersionen
tub.accessrights.dnbfreeen
tub.affiliationFak. 4 Elektrotechnik und Informatik>Inst. Softwaretechnik und Theoretische Informatik>FG Maschinelles Lernende
tub.affiliation.facultyFak. 4 Elektrotechnik und Informatikde
tub.affiliation.groupFG Maschinelles Lernende
tub.affiliation.instituteInst. Softwaretechnik und Theoretische Informatikde
tub.publisher.universityorinstitutionTechnische Universität Berlinen
Files
Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
kretz_tobias.pdf
Size:
12.97 MB
Format:
Adobe Portable Document Format
Description:
Collections