Οι μικροαποτιτανώσεις είναι από τις πιο σημαντικές ενδείξεις παθήσεων του μαστού και μπορεί να αποτελέσουν πρώιμη ένδειξη καρκίνου του μαστού. Πρόκειται για εναποθέσεις ασβεστίου στο μαστό με τη διάμετρός τους να κυμαίνεται από 0.1 έως 1 mm και εμφανίζονται είτε μόνες είτε σε ομάδες. Η ακριβής τμηματοποίηση (segmentation) των μικροαποτιτανώσεων στη μαστογραφία συνεισφέρει στην εξαγωγή αξιόπιστων χαρακτηριστικών μορφολογίας, που χρησιμοποιούνται στην αυτόματη διάγνωση με υπολογιστή (Computer-aided Diagnosis, CADx). Στα πλαίσια της παρούσης διδακτορικής διατριβής προτείνεται μία νέα μέθοδος τμηματοποίησης μικροαποτιτανώσεων, η οποία αρχικά εντοπίζει σημεία του περιγράμματος αυτών. Αυτό επιτυγχάνεται με την εφαρμογή της μεθόδου ενεργών ακτίνων (Active Rays), πολικός μετασχηματισμός ενεργών περιγραμμάτων (Active Contours), σε 8 διευθύνσεις και σε δύο κλίμακες του μετασχηματισμού κυματίων (wavelet transform) με φίλτρα Β-spline. Ακολούθως, χρησιμοποιείται μέθοδος επέκτασης περιοχής (region growing) για τον ακριβή προσδιορισμό του περιγράμματος της μικροαποτιτάνωσης. Ως κριτήριο για την αύξηση της περιοχής χρησιμοποιήθηκαν τα σημεία στο περίγραμμα της μικροαποτιτάνωσης, όπως αυτά προσδιορίσθηκαν από τη μέθοδο των ενεργών ακτίνων. Επίσης, υλοποιήθηκε μέθοδος ακτινικής βάθμωσης, η οποία έχει πρόσφατα προταθεί στη βιβλιογραφία για την τμηματοποίηση μικροαποτιτανώσεων, και χρησιμοποιήθηκε για συγκριτική αξιολόγηση. Οι δύο μέθοδοι τμηματοποίησης εφαρμόστηκαν σε 149 ομάδες μικροαποτιτανώσεων, κυρίως πλειόμορφων, που αντλήθηκαν από 130 μαστογραφικές εικόνες από τη βάση DDSM (Digital Database for Screening Mammography). Η ακρίβεια τμηματοποίησης των δύο μεθόδων αξιολογήθηκε από τρεις ακτινολόγους με χρήση 5-βάθμιας κλίμακας. Η ακρίβεια τμηματοποίησης της προτεινόμενης μεθόδου βρέθηκε ίση με 3.96±0.77, 3.97±0.80 και 3.83±0.89, όπως αξιολογήθηκε από κάθε ακτινολόγο, και 2.91±0.86, 2.10±0.94 και 2.56±0.76 για την συγκρινόμενη μέθοδο. Οι διαφορές στην ακρίβεια τμηματοποίησης των δύο μεθόδων ήταν στατιστικώς σημαντικές (Wilcoxon signed-ranks test, p<0.05). Επίσης, μελετήθηκε η επίδραση των δύο μεθόδων τμηματοποίησης στην απόδοση μεθόδου αυτόματης διάγνωσης (χαρακτηρισμό) ομάδων μικροαποτιτανώσεων με υπολογιστή. Η μέθοδος αυτόματης διάγνωσης στηρίζεται σε επιβλεπόμενη ταξινόμηση προτύπων χαρακτηριστικών σχήματος ομάδας αποτιτανώσεων. Συγκεκριμένα, χρησιμοποιήθηκε ταξινομητής ελαχίστων τετραγώνων – ελάχιστης απόστασης και εξήχθησαν χαρακτηριστικά ομοιότητας και διαφοροποίησης (variability) ομάδας μικροαποτιτανώσεων, τα οποία περιγράφουν τη μορφολογία μεμονωμένων αποτιτανώσεων (εμβαδόν, μέγιστη διάμετρος, σχετική αντίθεση). Η απόδοση ταξινόμησης αποτιμήθηκε μέσω εμβαδού καμπύλης παρατηρητών (ROC). Τα χαρακτηριστικά Εμβαδού και μέγιστης Διαμέτρου επέδειξαν σημαντικά υψηλή απόδοση ταξινόμησης (Mann-Whitney U-test, p<0.05) όταν εξήχθησαν από μικροαποτιτανώσεις τμηματοποιημένες με την προτεινόμενη μέθοδο ενεργών ακτίνων (0.82±0.06 και 0.86±0.05, αντίστοιχα). Η απόδοση ταξινόμησης χαρακτηριστικών που εξήχθησαν με μέθοδο τμηματοποίησης ακτινικής βάθμωσης ήταν 0.71±0.08 και 0.75±0.08, αντίστοιχα. Συμπερασματικά, η προτεινόμενη μέθοδος επέδειξε βελτιωμένη ακρίβεια τμηματοποίησης, εκπληρώνοντας ποιοτικά κριτήρια και ενισχύοντας την ικανότητα χαρακτηρισμού των ομάδων αποτιτανώσεων με ανάλυση μορφολογίας (μεγέθους και σχήματος) μεμονωμένων αποτιτανώσεων. Οι περιορισμοί της προτεινόμενης μεθόδου τμηματοποίησης αποδίδονται κυρίως: • Στην ανάλυση δύο κλιμάκων του μετασχηματισμού κυματίου, με αποτέλεσμα τον περιορισμό της προσαρμοστικότητας της μεθόδου σε μικροαποτιτανώσεις διαφορετικών μεγεθών. • Στην μέθοδο επέκτασης περιοχής περιοριζόμενη από σημεία περιγράμματος σε 8 διευθύνσεις. Οι περιορισμοί της αξιολόγησης της προτεινόμενης μεθόδου τμηματοποίησης αποδίδονται κυρίως: • Στην ποιοτική μόνο αξιολόγηση της ακρίβειας τμηματοποίησης, μέσω ανάλυσης παρατηρητών. • Στην χρήση περιορισμένου αριθμού χαρακτηριστικών μορφολογίας στο σύστημα αυτόματης διάγνωσης. Για την αντιμετώπιση των προαναφερθέντων περιορισμών, προτάθηκε η μέθοδος Ενεργών Περιγραμμάτων Πολλαπλών Κλιμάκων με αρχικοποίηση Ενεργών Ακτίνων στην αυτόματα επιλεγόμενη αδρή κλίμακα κυματίου. Αρχικά, χρησιμοποιήθηκε ο μετασχηματισμός συνεχούς κυματίου για την παροχή πολλαπλών κλιμάκων ανάλυσης. Στο πεδίο των πολλαπλών κλιμάκων εντοπίζεται η βέλτιστη αδρή κλίμακα (coarse scale) ανάλυσης με βάση τη μέγιστη απόκριση περιοχής μικροαποτιτάνωσης (scale-space MC signature). Στη συγκεκριμένη βέλτιστη κλίμακα απόκρισης εφαρμόζεται η μέθοδος των ενεργών ακτίνων για τον εντοπισμό σημείων του περιγράμματος της μικροαποτιτάνωσης σε 8 διευθύνσεις. Από αυτά τα σημεία ορίζεται πλήρως το περίγραμμα με χρήση μεθόδου γραμμικής παρεμβολής στη βέλτιστη κλίμακα απόκρισης. Κάθε σημείο του περιγράμματος ακολουθεί την κατεύθυνση μεγιστοποίησης της βάθμωσης εικόνας για τον καθορισμό του περιγράμματος στην βέλτιστη κλίμακα (directional Active Contour). Για την τελική εξαγωγή του περιγράμματος, οι θέσεις των σημείων του περιγράμματος επανακαθορίζονται στις κλίμακες μεγαλύτερης ακρίβειας (fine scales). Η ακρίβεια τμηματοποίησης της δεύτερης προτεινόμενης μεθόδου αξιολογήθηκε ποσοτικά με το κριτήριο επικάλυψης περιοχής. Για το σκοπό αυτό χρησιμοποιούνται τμηματοποιήσεις από ειδικευμένο ακτινολόγο. Τμηματοποιήθηκαν συνολικά 1157 μεμονωμένες μικροαποτιτανώσεις προερχόμενες από 128 ομάδες μικροαποτιτανώσεων, ψηφιοποιημένες σε ανάλυση 50μm (βάση δεδομένων DDSM). Μελετήθηκε επίσης η επίδραση της ακρίβειας τμηματοποίησης της δεύτερης προτεινόμενης μεθόδου στην απόδοση μεθόδου αυτόματης διάγνωσης ομάδων αποτιτανώσεων με βάση χαρακτηριστικά ομοιότητας και διαφοροποίησης (variability) ομάδας μικροαποτιτανώσεων, τα οποία περιγράφουν τη μορφολογία μεμονωμένων αποτιτανώσεων (εμβαδού: εμβαδόν, μέγιστη διάμετρος, σχετική αντίθεση, εκκεντρότητα, συμπαγότητα, διακύμανση ακτινικών αποστάσεων, περιοχής: ροπές 1ης και 2ης τάξης, και περιγράμματος: χαρακτηριστικό ροπής και συχνότητας). Ακολούθως, τέσσερα συστήματα αυτόματης διάγνωσης σχεδιάστηκαν βασιζόμενα στον ταξινομητή ελαχίστων τετραγώνων – ελάχιστης απόστασης και μορφολογικά χαρακτηριστικά εξήχθησαν από τις τρεις αυτόματες μεθόδους τμηματοποίησης (δύο προτεινόμενες και μία συγκρινόμενη). Η ποσοτική αξιολόγηση των προτεινόμενων μεθόδων τμηματοποίησης με χρήση δείκτη επικάλυψης περιοχής απέδειξε ότι μόνο η μέθοδος των Ενεργών Περιγραμμάτων Πολλαπλών Κλιμάκων με αρχικοποίηση Ενεργών Ακτίνων στη βέλτιστη κλίμακα ανάλυσης χαρακτηρίζεται από εξίσου υψηλή απόδοση για τις μικρού (<500μm) και μεγάλου (>500μm) μεγέθους μικροαποτιτανώσεις. Επιπλέον, ο ταξινομητής που βασίστηκε σε χαρακτηριστικά εξαγόμενα από τη βελτιστοποιημένη μέθοδο τμηματοποίησης παρουσίασε καλύτερη απόδοση ταξινόμησης (0.779±0.041) από τους ταξινομητές που βασίστηκαν σε χαρακτηριστικά εξαγόμενα από τη μέθοδο Ενεργών Ακτίνων (0.667±0.041) και τη μέθοδο ακτινικής βάθμωσης (0.670±0.044). Η απόδοση ταξινόμησης του βελτιωμένου αλγόριθμου τμηματοποίησης ήταν δε παρόμοια με την απόδοση του ταξινομητή που βασίστηκε σε χαρακτηριστικά εξαγόμενα από χειροκίνητα τμηματοποιημένες μικροαποτιτανώσεις (0.813±0.037). / Accurate segmentation of microcalcifications (MCs) in mammography is crucial for the quantification of morphologic properties by features incorporated in computer-aided diagnosis (CADx) schemes. At first, a novel segmentation method is proposed implementing active rays (polar-transformed active contours) on B-spline wavelet representation to identify microcalcification contour point estimates in a coarse-to-fine strategy at two levels of analysis. An iterative region growing method is used to delineate the final microcalcification contour curve, with pixel aggregation constrained by the microcalcification contour point estimates. A radial gradient method, representing the current state-of-the-art, was also implemented for comparative purposes. The methods were tested on a dataset consisting of 149 mainly pleomorphic microcalcification clusters originating from 130 mammograms of the DDSM database. Segmentation accuracy of both methods was evaluated by three radiologists, based on a 5-point rating scale. The radiologists’ average accuracy ratings were 3.96±0.77, 3.97±0.80 and 3.83±0.89 for the proposed method, and 2.91±0.86, 2.10±0.94 and 2.56±0.76 for the radial gradient-based method, respectively, while the differences in accuracy ratings between the two segmentation methods were statistically significant (Wilcoxon signed-ranks test, p<0.05). The effect of the two segmentation methods in the classification of benign from malignant microcalcification clusters was also investigated. A Least Square Minimum Distance (LSMD) classifier was employed based on cluster features reflecting three morphological properties of individual microcalcifications (area, length and relative contrast). Classification performance was evaluated by means of the area under ROC curve (Az). The area and length morphologic features demonstrated a statistically significant (Mann-Whitney U-test, p<0.05) higher patient-based classification performance when extracted from microcalcifications segmented by the proposed method (0.82±0.06 and 0.86±0.05, respectively), as compared to segmentation by the radial gradient-based method (0.71±0.08 and 0.75±0.08). The proposed method demonstrates improved segmentation accuracy, fulfilling human visual criteria, and enhances the ability of morphologic features to characterize microcalcification clusters. The limitations of this method could be attributed to: • Multiscale analysis restricted to two scales and ad-hoc selection of the coarsest scale of analysis, limiting the desired size-adaptation property of the proposed segmentation method. • Use of constrained region growing to delineate the final MC region to avoid discontinouities inherent to the 8-contour point estimates. • Segmentation accuracy assessed only qualitatively. • Limited morphology anaysis incorporated into the CADx framework. To overcome these limitations, a second method is introduced adaptive to coarse scale selection to initialize the segmentation algorithm, by means of scale-space signatures. Also, we suggest the analysis in the continuous wavelet transform offering a rich multiscale frame. In this framework, multiscale active contours are introduced, utilizing as initial step the previously proposed Active Rays method combined to linear interpolation, for initial contour estimation. Then, each contour point follows the direction where the gradient is maximized. MCs are finally delineated by refining each contour point position at finer scales more accurately. Segmentation accuracy is quantitatively assessed by means of the Area Overlap Measure, utilizing manual segmentation of individual MCs as ground truth, provided by expert radiologists. A total of 1157 individual MCs were segmented in a dataset of 128 MC clusters, digitized at 50μm pixel resolution. To further ensure feature reliability, features extracted from the improved segmentation method were compared (Pearson correlation) to features extracted from manual experts’ delineations. Following, four CADx schemes were implemented utilizing Least Square Minimum Distance (LSMD) classifier and morphology features extracted from the two proposed and the Radial Gradient method. Training of all classifiers was accoblished by features extracted from manually segmented MCs. Quantitative analysis indicated that Multiscale Active Contour method initialized by Active Rays (MAC-AR) had similar Area Overlap Measure performance either for small and large MCs. Furthermore, the improved method demonstrated better performance in terms of classification performance (Az=0.78), as compared to Multiscale Active Rays constrained Region Growing (MAR-RG) (Az=0.67) and the radial gradient one (Az=0.67), however, statistically similar to manual segmentation, representing the best performance (Az=0.81).

This Master Thesis presents a novel classification approach for microcalcifications (MCs) extracted from core biopsy tissue samples digitized using micro-CT, a high-resolution 3D imaging modality. MCs are tiny spots of calcium that may occur in the female breast. Although they are common in healthy woman, they are often an early sign of breast cancer. The shape of the MCs is an important factor used to discriminate between benign and malignant abnormalities. However, the current standard imaging modalities (i.e. mammography) are not efficient for a clear shape based analysis. In case of suspiciousness, a biopsy is conducted and the extracted tissue is anatomopathologically investigated for the presence of cancer cells. Nevertheless, only 20-35% of biopsies turn out to be positive. As such, the question whether some unnecessary biopsies can be avoided if the shape of the MCs could be analysed in more detail has been raised. In addition, the MCs themselves are not analysed, but they are characterised as benign (or malignant) according to whether they were found into a benign (or malignant) tissue. As a result, there is a ground truth for the tissue samples but not for the individual MCs. So, when a classifier of a Computer Aided Diagnosis System will be asked to classify a MC according to its shape, there will be a degree of ambiguity and uncertainty. This master thesis investigates whether the use of a clustering method as a preprocessing step before training the classifier could avoid the ground truth issues and could improve the obtained classification results. / Η παρούσα μεταπτυχιακή εργασία παρουσιάζει μια νέα μέθοδο για την ταξινόμηση μικροαποτιτανώσεων μαστού που έχουν εξαχθεί από βιοψίες και έχουν ψηφιοποιηθεί με χρήση micro-CT, μια υψηλής ανάλυσης, τρισδιάστατη τεχνική απεικόνισης. Οι μικροαποτιτανώσεις (ή αλλιώς μικροασβεστώσεις) αποτελούν μικρά αποθέματα ασβεστίου στον μαστικό αδένα. Παρόλο που μπορεί να εμφανιστούν και σε υγιείς γυναίκες, μπορούν να αποτελέσουν ένα πρώιμο σημάδι καρκίνου του στήθους. Το σχήμα είναι ένας από τους σημαντικότερους παράγοντες ο οποίος βοηθάει στη διάκριση ανάμεσα σε καλοήθεις και κακοήθεις μικροασβεστώσεις, ωστόσο δεν μπορεί να απεικονιστεί επαρκώς μέσω των στανταρ απεικονιστικών τεχνικών (μαστογραφία). Σε περίπτωση υποψίας κακοήθειας, διεξάγεται βιοψία με σκοπό την απομάκρυνση ιστού από την ύποπτη περιοχή και την ανατομοπαθολογική του εξέταση για την παρουσία καρκινικών κυττάρων. Ωστόσο, μονο το 20%-35% των βιοψιών αποδεικνύονται κακοήθεις. Ως εκ τούτου, έχει τεθεί το ερώτημα κατά πόσο μπορούν να αποφευχθούν οι μη απαραίτητες βιοψίες εάν το σχήμα των μικροασβεστώσεων μπορούσε να μελετηθεί πιο λεπτομερώς. Επιπροσθέτως, οι μικροασβεστώσεις αυτές καθ’ εαυτές δεν αναλύονται αλλά χαρακτηρίζονται ως καλοήθεις (ή κακοήθεις) με βάση το αν βρέθηκαν μεσα σε καλοήθες (ή κακοήθες) ιστό. Ως αποτέλεσμα, υπάρχει βάση αναφοράς για τα δείγματα ιστού αλλά όχι για τις μικροασβεστώσεις. Έτσι, όταν ζητηθεί από έναν ταξινομητή ενός συστήματος υποβοηθούμενης διάγνωσης με υπολογιστή να ταξινομήσει μικροασβεστώσεις με βάση το σχήμα τους υπάρχει ένα μεγάλο ποσοστό ασάφειας και αβεβαιότητας. Αυτή η μεταπτυχιακή εργασία έχει σκοπό να ερευνήσει εάν η εισαγωγή ενός βήματος συσταδοποίησης πριν αυτού της ταξινόμησης μπορεί να αποφύγει το πρόβλημα έλλειψης βάσης αναφοράς και να βελτιώσει τα αποτελέσματα της ταξινόμησης.

The aim of the current thesis is the exploitation of texture analysis approaches for the computer-aided diagnosis (CADx) of breast cancer. The first objective of the presented thesis is the exploitation of texture properties of the tissue surrounding microcalcifications (MCs) on x-ray mammograms for its differentiation into malignant or benign type. This approach is differentiated from previously reported texture-based CADx schemes by analyzing the “net texture pattern” of the underlying breast tissue, removing any bias introduced by the presence of MCs. This is achieved by employing a “coarse” MC segmentation step, relaxing requirements for accurate segmentation in morphology-based CADx schemes, and subsequently “excluding” the segmented MCs from the tissue area being analyzed by means of texture analysis approaches. The discriminating ability of the MCs surrounding tissue texture analysis approach is compared to that of a current state-of-the-art texture analysis approach and to a morphology-based one, employing supervised classification schemes. Classification performance is evaluated by means of Receiver Operating Characteristic (ROC) analysis on a dataset of 108 pleomorphic MC clusters originating from the Digital Database for Screening Mammography (DDSM). Results suggested that the exploitation of texture properties of the tissue surrounding MCs on screening x-ray mammograms accounts for a competitive new methodological approach towards computer-aided diagnosis of breast cancer. The second objective of the current thesis is the exploitation of lesion enhancement kinetics heterogeneity for the differentiation of breast lesions in Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI). This approach is differentiated from previously reported studies by investigating the texture of the lesion not as depicted on a single post-contrast frame but by considering serial post-contrast data. This is achieved by generating parametric maps the reflect lesion enhancement kinetics properties and then subjecting the parametric maps to texture analysis. The discriminating ability of the enhancement kinetics “texture” analysis approach is compared to that of current state-of-the-art approach of single time frame texture analysis, employing supervised classification schemes. Classification performance is evaluated by means of ROC analysis on a dataset of 81 mass-like lesions, originating from a locally available Database. Results suggested that texture features extracted from parametric maps that reflect lesion washout properties can discriminate malignant from benign lesions more efficiently as compared to texture features extracted from either the 1st post-contrast frame lesion area or from a parametric map that reflects lesion initial uptake. Results of the current thesis suggest the contribution of texture analysis methods in breast imaging for the quantification of both anatomical and functional tissue heterogeneity, providing important information for breast cancer diagnosis. / Στα πλαίσια της παρούσας Διατριβής μελετήθηκε η συμβολή μεθόδων ανάλυσης υφής μαστογραφικών εικόνων στη διάγνωση καρκίνου του μαστού. Η μελέτη εστιάσθηκε σε δύο διαγνωστικά προβλήματα τα οποία αποτελούν ανοικτά ζητήματα τόσο στην κλινική ρουτίνα όσο και στις μεθοδολογικές προσεγγίσεις αυτόματων συστημάτων ανάλυσης εικόνας για την υποβοήθηση της διάγνωσης με χρήση υπολογιστή (Computer-aided diagnosis - CADx). Το πρώτο διαγνωστικό πρόβλημα στο οποίο εστίασε η παρούσα Διατριβή αφορά στο χαρακτηρισμό μικροαποτατινώσεων στη μαστογραφία ακτίνων-Χ. Στην παρούσα μελέτη ακολουθείται μια διαφορετική προσέγγιση για τη διάγνωση συστάδων μικροαποτιτανώσεων, βάσει της οποίας μελετάται η ετερογένεια του ιστού ο οποίος περιβάλλει τις μικροαποτιτανώσεις. Ο «περιβάλλων ιστός» προκύπτει από εφαρμογή μεθόδου τμηματοποίησης των μικροαποτιτανώσεων και εξαίρεσής τους από την περιοχής ενδιαφέροντος. Οι απαιτήσεις ακρίβειας της μεθόδου τμηματοποίησης στην προσέγγιση ανάλυση υφής του «περιβάλλοντος ιστού» είναι μειωμένες, σε σχέση με τις αντίστοιχες μεθόδους των CADx συστημάτων βάσει μορφολογίας, καθώς απαιτείται μόνο «αδρός» καθορισμός των ορίων τους. Η ετερογένεια του περιβάλλοντος ιστού μελετήθηκε βάσει μεθόδων εξαγωγής χαρακτηριστικών υφής εικόνας, σε δείγμα 108 συστάδων μικροαποτιτανώσεων, που αντλήθηκαν από μαστογραφικές εικόνες της ψηφιακής βάσης αναφοράς Digital Database for Screening Mammography. Η διαχωριστική ικανότητα των εξαχθέντων χαρακτηριστικών υφής διερυνήθηκε με χρήση επιβλεπόμενων σχημάτων ταξινόμησης. Η ακρίβεια ταξινόμησης αξιολογήθηκε βάσει του εμβαδού της καμπύλης απόκρισης παρατηρητών. Η προσέγγιση «ανάλυσης υφής του περιβάλλοντος ιστού» συγκρίθηκε με την τρέχουσα μέθοδο ανάλυσης υφής εικόνας περιοχής ενδιαφέροντος που εμπεριέχει τη συστάδα μικροαποτιτανώσεων, αλλά και με προσέγγιση βάσει ανάλυσης μορφολογίας μικροαποτιτανώσεων. Τα αποτελέσματα της παρούσας μελέτης συνιστούν ότι η προσέγγιση ανάλυσης υφής «του περιβάλλοντος ιστού» αποτελεί μία νέα ανταγωνιστική μεθοδολογία στη διάγνωση καρκίνου του μαστού υποβοηθούμενη από υπολογιστή. Το δεύτερο διαγνωστικό πρόβλημα στο οποίο εστίασε η παρούσα Διατριβή αφορά στο χαρακτηρισμό χωροκατακτητικών αλλοιώσεων στη μαστογραφία μαγνητικής τομογραφίας με χρήση σκιαγραφικού (Dynamic Contrast-Enhanced Magnetic Resonance Imaging: DCE-MRI). Στην παρούσα μελέτη διερευνάται η ικανότητα ποσοτικοποίησης της ετερογένειας των αλλοιώσεων ως προς τη δυναμική τους συμπεριφορά για τη διάγνωση χωροκατακτητικών αλλοιώσεων στη DCE-MRI. Για το σκοπό αυτό δημιουργήθηκαν τρεις παραμετρικοί χάρτες βάσει υπολογισμού τριών δυναμικών χαρακτηριστικών των αλλοιώσεων σε επίπεδο εικονοστοιχείου, οι οποίοι αποτέλεσαν τη βάση για την εφαρμογή μεθόδου ανάλυσης υφής εικόνας, βάσει μητρών συνεμφάνισης στο πεδίο διαβαθμίσεων του γκρι. Μελετήθηκε η διαχωριστική ικανότητα μεμονωμένων χαρακτηριστικών υφής αλλά και επιλεχθέντων υποσυνόλων από κάθε παραμετρικό χάρτη με χρήση επιβλεπόμενων σχημάτων ταξινόμησης. Η ακρίβεια ταξινόμησης αξιολογήθηκε βάσει του εμβαδού της καμπύλης απόκρισης παρατηρητών. Η μέθοδος συγκρίθηκε με τη συμβατική προσέγγιση ποσοτικοποίησης ετερογένειας της αλλοίωσης σε συγκεκριμένο χρονικό στιγμιότυπο, όπως υιοθετείται από τρέχουσες προσεγγίσεις συστημάτων CADx στη DCE-MRI, σε δείγμα 81 αλλοιώσεων. Τα χαρακτηριστικά υφής που εξήχθησαν από χάρτες που εκφράζουν τη μεταβολή του σήματος κατά τη φάση της έκπλυσης του σκιαγραφικού παρουσίασαν την υψηλότερη ακρίβεια ταξινόμησης η οποία ήταν στατιστικώς σημαντικά διαφορετική συγκρινόμενη με χαρακτηριστικά που εξήχθησαν είτε από χάρτη που εκφράζει μεταβολή του σήματος κατά τη φάση της πρόσληψης του σκιαγραφικού ή από αλλοίωση όπως απεικονίζεται σε συγκεκριμένο χρονικό στιγμιότυπο. Τα αποτελέσματα της παρούσας Διατριβής υποδηλώνουν την ικανότητα μεθόδων ανάλυσης υφής στη μαστογραφική απεικόνιση για την ποσοτικοποίηση τόσο της ανατομικής όσο και της λειτουργικής ετερογένειας των αλλοιώσεων, παρέχοντας σημαντική πληροφορία για τη διάγνωση καρκίνου του μαστού.