view in publisher's site

Location of mammograms ROI's and reduction of false-positive

Highlights•A scale-invariant algorithm is implemented to find image´s key descriptors.•Is proposed a method to separate breast area from pectoral-muscle to avoid regions that produces noise.•Microcalcification are detected with wavelet transform.•Wavelet performance is reinforced by high-pass filters and high frequency emphasis filter.•The results are presented in terms of sensitivity and false-positives per image.AbstractBackground and ObjectiveThere are many work related with segmentation techniques, including nearest neighbor algorithm, fuzzy rules, morphological filters, image entropy, thresholding, machine learning, wavelet analysis, and so on. Such methods carry out the segmentation, but take a lot of processing time by modifying the content of the image or showing discern problems in homogeneous areas, and the segmentation technique is designed to work efficiently only with the techniques used. In this paper a method to segment mammograms in order to separate breast area from pectoral-muscle avoiding bright areas that produce noise and therefore reducing false-positives is presented.MethodsThe proposed methodology is divided into four sections: 1) Pre-processing to acquire image and decreasing its size. 2) Improving the image quality through image thresholding and histogram equalization. 3) Localization of regions of interest (ROI) applying Scale-Invariant Feature Transform to find image's descriptors. Clustering methods were implemented to determine the best number of clusters and which of these represent the most significant breast area. Then found ROI's coordinates are compared with the position of abnormalities diagnosed by the Mammographic Image Analysis Society. 4) Microcalcifications (mcc) detection; wavelet transform is used, and to enhance its performance different high-pass filters and high-frequency emphasis filters are evaluated. Symlet wavelets: Sym8 and Sym16 were used with different decomposition level; images results from both processes are compared and only those elements in common are detected as microcalcifications.ResultsMoreover, muscle's remnants in the corners of the regions of interest were removed using fuzzy c-means clustering. The best results in terms of sensitivity (91.27), false-positives per image (80.25), and precision (74.38) are compared with previous work.ConclusionsResults shows that the breast area can be discriminated from the pectoral-muscle by avoiding to work with brightness areas that produces false positives. Moreover, because the image size is reduced the computer processing time will be decreased. This segmentation stage can be an addition to mammograms analysis broadly, not only to find mcc but abnormalities such as circumscribed masses, speculated masses and architectural distortion. Also is useful to create automatically an unsupervised segmentation in mammograms without stage of training.

محل ماموگرام های ROIs و کاهش موارد مثبت کاذب

نکات برجسته * یک الگوریتم مقیاس ثابت برای یافتن توصیف‌کننده‌های کلیدی تصاویر اجرا می‌شود. * روشی برای جدا کردن ناحیه سینه از عضله سینه برای جلوگیری از مناطقی که نویز تولید می‌کنند، پیشنهاد شده‌است. * میکروکلسیفیکاسیون با تبدیل موجک تشخیص داده می‌شود. * عملکرد موجک توسط فیلترهای بالاگذر و فیلتر تاکید فرکانس بالا تقویت می‌شود. * نتایج بر حسب حساسیت و مثبت کاذب در هر تصویر ارائه شده‌اند. * پیش‌زمینه و هدف کاره‌ای زیادی در ارتباط با تکنیک‌های قطعه‌بندی وجود دارد، از جمله الگوریتم نزدیک‌ترین همسایه، قوانین فازی، فیلترهای مورفولوژیکی، آنتروپی تصویر، آستانه گذاری، یادگیری ماشین، تحلیل موجک و غیره. چنین روش‌هایی بخش‌بندی را انجام می‌دهند، اما زمان پردازش زیادی را با اصلاح محتوای تصویر یا نشان دادن مشکلات در نواحی همگن صرف می‌کنند، و تکنیک بخش‌بندی برای کار موثر تنها با تکنیک‌های مورد استفاده طراحی شده‌است. در این مقاله روشی برای تقسیم‌بندی ماموگرام ها به منظور جداسازی ناحیه سینه از عضله سینه با اجتناب از نواحی روشن که نویز تولید می‌کنند و در نتیجه کاهش مثبت کاذب ارائه شده‌است. ۲)بهبود کیفیت تصویر از طریق آستانه گذاری تصویر و تعادل هیستوگرام. ۳)محلی‌سازی نواحی مورد نظر (ROI)با استفاده از تبدیل ویژگی مقیاس - متغیر برای یافتن توصیف‌کننده‌های تصویر. روش‌های خوشه‌بندی برای تعیین بهترین تعداد خوشه‌ها اجرا شدند که کدام یک از آن‌ها نشان‌دهنده مهم‌ترین ناحیه سینه است. سپس مختصات ROIs با موقعیت ناهنجاری‌های تشخیص‌داده‌شده توسط جامعه تحلیل تصویر مامموگرافی مقایسه می‌شود. ۴)تشخیص میکروکلسیفیکاسیون‌ها (mcc)؛ تبدیل موجک استفاده می‌شود و برای بهبود عملکرد آن، فیلترهای بالاگذر مختلف و فیلترهای تاکید فرکانس بالا ارزیابی می‌شوند. موجک ها: موجک ها: موجک ها ۸ و موجک ها ۱۶ با سطح تجزیه مختلفی استفاده شدند؛ تصاویر حاصل از هر دو فرآیند مقایسه شدند و تنها آن عناصر مشترک به عنوان میکروکلسیفیسینها شناسایی شدند. بهترین نتایج از نظر حساسیت (۹۱.۲۷)، مثبت کاذب در هر تصویر (۸۰.۲۵)و دقت (۷۴.۳۸)با کار قبلی مقایسه شده‌اند. علاوه بر این، چون اندازه تصویر کاهش می‌یابد، زمان پردازش کامپیوتر کاهش خواهد یافت. این مرحله تقسیم‌بندی می‌تواند به طور گسترده به تجزیه و تحلیل ماموگرام ها اضافه شود، نه تنها برای پیدا کردن mcc، بلکه اختلالاتی مانند توده‌های محدود، توده‌های فرضی و اعوجاج معماری. همچنین برای ایجاد خودکار یک تقسیم‌بندی بدون نظارت در ماموگرام ها بدون مرحله آموزش مفید است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Health Informatics
  • ترجمه مقاله Health Informatics
  • مقاله اطلاعات بهداشتی
  • ترجمه مقاله اطلاعات بهداشتی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.