Fourier Analysis of Bilateral Breast Asymmetry for Short-term Breast Cancer Risk Prediction

Deze studie toont aan dat Fourier-analyse van bilaterale borstasymmetrie op onbewerkte digitale mammogrammen een betere voorspeller is voor kortetermijnborstkankerrisico dan klinische FFDM- of DBT-beelden, hoewel DBT-beelden ondanks hun lagere ruimtelijke resolutie sterkere associaties vertonen dan klinische FFDM-beelden.

De kern

🎨 De "Spiegel-Test" voor Borstkanker: Een Nieuwe Blik op Mammogrammen

Stel je voor dat je naar een spiegel kijkt. Normaal gesproken zien je linker- en rechterkant van je gezicht er vrijwel hetzelfde uit. Als er plotseling een vreemde bult of een onregelmatigheid op één wang verschijnt, valt dat direct op.

Wetenschappers van het Moffitt Kankercentrum in Florida hebben een vergelijkbare "spiegel-test" bedacht, maar dan voor borsten. Ze kijken naar mammogrammen (röntgenfoto's van de borsten) om te zien of de linker- en rechterborst van een vrouw precies op elkaar lijken. Als ze dat niet doen, kan dat een teken zijn van een verhoogd risico op borstkanker, zelfs voordat een tumor zichtbaar is.

🎻 De "Muziek" van de Borst: Fourier-analyse

Hoe meten ze dit precies? Ze gebruiken een wiskundige techniek die Fourier-analyse heet.

• De Vergelijking: Denk aan een röntgenfoto niet als een plaatje, maar als een symfonie.
  • In een symfonie zijn er lage tonen (diepe bas) en hoge tonen (fluitjes).
  • In een borstfoto zijn er "lage tonen" (grote, zachte structuren) en "hoge tonen" (kleine, fijne details).
• De Methode: De onderzoekers hebben de foto's in deze "muziek" omgezet. Ze hebben de foto in concentrische ringen verdeeld (zoals de lagen van een taart of de rimpels in een meer). Ze kijken naar hoeveel "energie" (of volume) er in elke ring zit.
• De Test: Vervolgens vergelijken ze de "muziek" van de linkerborst met die van de rechterborst.
  • Symmetrisch (Veilig): De muziek klinkt bijna hetzelfde. De ringen hebben dezelfde volume.
  • Asymmetrisch (Risico): Er is een verschil. Misschien heeft de linkerborst in een bepaalde "ring" (een bepaalde grootte van detail) veel meer energie dan de rechter. Dit verschil noemen ze de Asymmetrie-maatstaf.

📸 Het Grote Geheim: Ruwe vs. Bewerkte Foto's

Het meest interessante deel van dit onderzoek is wat ze ontdekten over de kwaliteit van de foto's. Ze keken naar drie soorten beelden:

1. De "Ruwe" Foto (Raw FFDM): Dit is de originele, onbewerkte data van de camera. Denk hierbij aan een ruwe foto van een DSLR-camera die nog niet is bewerkt in Photoshop.
2. De "Klinische" Foto: Dit is de foto die de arts eigenlijk te zien krijgt. De computer heeft deze al bewerkt om de afbeelding scherper en mooier te maken voor het menselijk oog.
3. De "Synthetische" Foto (DBT): Dit is een nieuwe techniek waarbij de computer een platte foto maakt van een 3D-scan.

Het verrassende resultaat:
De onderzoekers dachten dat de bewerkte foto's (die de arts ziet) het beste zouden zijn. Maar nee!

• De ruwe, onbewerkte foto's gaven de sterkste signalen. Ze konden de "muziekverschillen" het beste horen.
• De bewerkte klinische foto's waren actually slechter. De computer heeft bij het bewerken onbedoeld de subtiele "ruis" of de fijne details weggepoetst die juist belangrijk waren voor het detecteren van asymmetrie. Het is alsof je een liedje luistert, maar de geluidstechnicus heeft de bas en de hoge tonen weggehaald om het "mooier" te maken, waardoor je de fout in de melodie niet meer hoort.
• De nieuwe 3D-foto's deden het beter dan de bewerkte 2D-foto's, maar niet zo goed als de ruwe data.

🔍 Wat betekent dit voor de toekomst?

Stel je voor dat je een alarm hebt dat piept als er iets mis is.

• Met de bewerkte foto's piept het alarm soms niet als het zou moeten, omdat de computer te veel heeft "opgeschoond".
• Met de ruwe data piept het alarm veel duidelijker.

De onderzoekers concluderen dat we misschien te veel vertrouwen op de "mooie" foto's die artsen nu bekijken. Als we terugkijken naar de ruwe data en die "spiegel-test" (de asymmetrie-meting) toepassen, kunnen we vrouwen met een hoger risico op borstkanker sneller en beter opsporen.

🏁 Samenvatting in één zin

Wetenschappers hebben ontdekt dat als je de linker- en rechterborst vergelijkt als twee muziekstukken, de ruwe, onbewerkte röntgenfoto's veel beter laten horen of er iets mis is dan de mooie, bewerkte foto's die artsen nu gebruiken. Dit kan helpen om borstkanker eerder te voorspellen.

---

Belangrijke opmerking: Dit onderzoek is nog niet door andere wetenschappers gecontroleerd (peer-reviewed) en is een voorlopige bevinding. Het is dus nog te vroeg om dit direct in de klinische praktijk toe te passen, maar het opent een heel nieuwe en veelbelovende richting voor de toekomst.

Technische samenvatting

Probleemstelling

Bestaande methoden voor het voorspellen van borstkankerrisico op basis van mammogrammen focussen voornamelijk op de dichtheid van het weefsel (breast density) of op tekstuurkenmerken die vaak gecorreleerd zijn met dichtheid. Hoewel bilaterale asymmetrie (verschillen tussen de linker- en rechterborst) klinisch relevant is voor het detecteren van kanker, is er beperkt onderzoek gedaan naar het kwantificeren van deze asymmetrie als een onafhankelijke maatstaf voor kortetermijnrisicovoorspelling.

Daarnaast is er een groeiende overgang in de beeldvorming naar digitale breast tomosynthese (DBT) en synthetische 2D-beelden (C-View). Het is onduidelijk of deze nieuwe beeldvormingstechnieken, die vaak een lagere ruimtelijke resolutie hebben dan ruwe full-field digital mammography (FFDM) beelden, voldoende informatie behouden om subtiele structurele asymmetrieën te detecteren die relevant zijn voor risicoprofilering.

Methodologie

De studie is een matched case-control studie uitgevoerd bij het H. Lee Moffitt Cancer Center.

• Populatie: 368 vrouwen met een pathologisch bevestigde unilaterale borstkanker (gevallen) en 368 gematchte controles. De controles waren gematcht op leeftijd, hormoonvervangingstherapie (HRT), mammografie-eenheden en screeningsgeschiedenis.
• Beeldmateriaal: Vrouwen hadden zowel DBT-beelden als FFDM-beelden (zowel ruwe, onbewerkte beelden als klinische, bewerkte beelden) op hetzelfde moment.
• Techniek: Fourier-domein Asymmetrie Meting (ASM):
  • De auteurs gebruiken een Fourier-transformatie om de beelden om te zetten van de ruimtelijke domein naar het frequentiedomein.
  • In plaats van fase-informatie te behouden, wordt de kracht (power) van het spectrum geanalyseerd.
  • Het frequentiespectrum wordt verdeeld in n concentrische radiale banden (ringvormige filters) rond het nulpunt. Dit creëert een multischaal karakterisering van het beeld.
  • Voor FFDM-beelden werden 86 banden gebruikt; voor DBT/C-View-beelden (vanwege lagere resolutie) werden 55 banden gebruikt.
  • De banden fungeren als radiale bandpassfilters die specifieke ruimtelijke schalen in het beeld isoleren (van grootschalige structuren tot fijne details).
  • Asymmetrie-maatstaf: De som van de kracht in elke band wordt berekend voor de linker- en rechterborst. Het verschil tussen deze waarden wordt genormaliseerd (z-score) en de Mean Square Error (MSE) tussen de linker- en rechterborst wordt berekend als de uitkomstvariabele ($E_j$). Een hogere $E_j$ duidt op grotere asymmetrie.
• Statistiek: Er werd gebruikgemaakt van conditionele logistische regressie om Odds Ratios (OR) en het oppervlak onder de ROC-curve ($A_z$) te berekenen, gecorrigeerd voor BMI en etniciteit.

Belangrijkste Bijdragen

1. Nieuwe Risicometode: Introductie van een Fourier-gebaseerde, multischaal asymmetrie-maatstaf die specifiek is ontworpen om structurele verschillen tussen de linker- en rechterborst te kwantificeren zonder afhankelijk te zijn van diepe neurale netwerken (CNN's) die moeilijk te interpreteren zijn.
2. Vergelijking Beeldvormingstechnieken: Een directe vergelijking van de prestaties van ruwe FFDM, klinische (bewerkte) FFDM en synthetische DBT (C-View) beelden voor risicovoorspelling.
3. Informatieverliesanalyse: Het aantonen dat de beeldverwerking die wordt toegepast om klinische FFDM-beelden te genereren, informatie over bilaterale asymmetrie vernietigt, terwijl synthetische DBT-beelden (ondanks lagere resolutie) beter presteren dan klinische FFDM-beelden.

Resultaten

De analyse leverde de volgende statistisch significante bevindingen op (per standaarddeviatie toename in asymmetrie):

• Ruwe FFDM-beelden: Toonden de sterkste associatie met borstkankerrisico.
  • Odds Ratio (OR): 1,90 (95% BI: 1,58 - 2,29)
  • $A_z$: 0,72 (95% BI: 0,67 - 0,76)
• Synthetische DBT (C-View) beelden: Toonden een sterkere associatie dan klinische FFDM, ondanks de lagere ruimtelijke resolutie.
  • OR: 1,48 (95% BI: 1,25 - 1,76)
  • $A_z$: 0,65 (95% BI: 0,60 - 0,70)
• Klinische FFDM-beelden: Toonden de zwakste associatie.
  • OR: 1,31 (95% BI: 1,11 - 1,54)
  • $A_z$: 0,63 (95% BI: 0,58 - 0,67)

Belangrijke observaties:

• De asymmetriemaatstaf ($E_j$) vertoonde geen lineaire correlatie met leeftijd of BMI, wat suggereert dat het een onafhankelijke risicofactor is.
• De "ruwe" beelden behielden de meeste informatie over asymmetrie. De bewerkte klinische beelden lijken deze informatie te verliezen door de beeldverwerking.
• De DBT-beelden, hoewel bandgelimiteerd (lagere resolutie), behielden meer asymmetrie-informatie dan de bewerkte FFDM-beelden.

Betekenis en Conclusie

De studie concludeert dat bilaterale asymmetrie, gemeten via Fourier-analyse, een krachtige predictor is voor kortetermijnborstkankerrisico. De belangrijkste implicaties zijn:

1. Beeldkwaliteit vs. Risicopredictie: Er is een fundamenteel verschil tussen beeldkwaliteit voor klinische diagnose (waar bewerkte beelden vaak superieur zijn voor het menselijk oog) en beeldkwaliteit voor risicopredictie. Bewerkte beelden verliezen subtiele structurele asymmetrie-informatie die cruciaal is voor de ASM-methode.
2. Potentie van DBT: Synthetische 2D-beelden van DBT, hoewel ze een lagere resolutie hebben dan ruwe FFDM, zijn superieur aan klinische FFDM-beelden voor het detecteren van asymmetrie. Dit suggereert dat de DBT-technologie waardevolle informatie behoudt die in de standaard klinische FFDM-weergave verloren gaat.
3. Interpreteerbaarheid: In tegenstelling tot "black-box" AI-modellen (zoals CNN's), biedt deze Fourier-benadering een interpreteerbare, fysiek gebaseerde maatstaf voor borstarchitectuur die niet vereist dat het model getraind wordt op grote datasets, maar wel robuust is over verschillende beeldvormingstechnieken.

De auteurs stellen dat deze methode potentie heeft om de huidige risicomodellen te verbeteren, mits toekomstig onderzoek wordt uitgevoerd met hogere resolutie DBT-systemen en op grotere schaal.