تشخیص سرطان پستان در ماموگرام های دیجیتال
چکیده
این مقاله در مورد روشی برای تشخیص خودکار ناهنجاری ها در ماموگرام ها بحث می کند. تکنیک های پردازش تصویر، برای کلاسه بندی دقیق نواحی موردنظر (ROI) مشکوک، پیش از تشخیص ناهنجاری به کار برده می-شوند. پوشش غیر شارپ برای بهسازی ماموگرام به کار برده می شود. حذف نویز با استفاده از فیلتر میانی انجام می شود. تبدیل موجک گسسته روی تصویر فیلتر شده اعمال می شود تا قبل از کلاسه بندی، نتایج دقیقی را ارائه کند. ROI مشکوک با استفاد از میانگین های C فازی و با تکنیک آستانه بندی کلاسه بندی می شود. ویژگی های تامورا، ویژگی های مبتنی بر شکل و ویژگی های (ثابت های) لحظه ای از ROI کلاسه بندی شده استخراج می شوند تا ناهنجاری های موجود در ماموگرام ها شناسایی شوند. الگوریتم پیشنهادی روی مجموعه داده های Mini –MIAS تایید اعتبار می شود.
1- مقدمه
ماموگرافی به عنوان مهم ترین تکنیک برای بررسی سرطان پستان در نظر گرفته می شود. آن می تواند برای تشخیص بیماری در مراحل اولیه، یعنی زمانی که بهبود ممکن است، مورد استفاده قرار بگیرد. کار سیستم کمک تشخیصی کامپیوتری (CAD) خواندن ماموگرام ها، تعیین نواحی مشکوک ناهنجاری ها و آنالیز مشخصه-های آن می باشد. کارایی و اعتبار CAD بستگی به کلاسه بندی دقیق آسیب ها و انتخاب ویژگی مناسب دارد. کلاسه بندی جهانی آسیب ها چالش برانگیزترین وظیفه می باشد که به دلیل آرتیفکت ها و بافت های سالم حاضر در ماموگرام ها می باشد. الگوریتم های مختلفی در متون، برای تشخیص اولیه ی سرطان پستان در ماموگرام ها ایجاد شده اند. کگلمیر و همکارانش اصول ویژگی بافتی و طبقه بندی کننده ی دودویی درخت تصمیم گیری را برای طبقه بندی بین آسیب ها و بافت های نرمال ارائه کردند. کامپنینی و همکارانش، یک طبقه بندی کننده ی SVM را برای تشخیص توده در ماموگرام های دیجیتال ارائه کرده اند. سهینر و همکارانش از آمار تفاضل 4 سطح خاکستری (GLDS) ویژگی های بافتی و شبکه ی عصبی پیچیده برای تشخیص توده استفاده کردند. بلتونی و همکارانش یک سیستم CAD خودکار را بر اساس ویژگی های ماتریس های هم رویداد سطح خاکستری (GLCM) و کلاسه بندی کننده ی شبکه ی عصبی پس انتشار را برای تشخیص توده پیشنهاد کردند. مودیگوندا و همکارانش و دومینگوئز و همکارانش تکنیک دانسیته ی برش را برای تقسیم بندی توده پیشنهاد کردند. شارما و کانا یک سیستم CAD را برای تشخیص سرطان پستان با استفاده از لحظات زرنیک پیشنهاد کردند. کشیاپ و همکارانش یک الگوریتم تقسیم بندی موثر را برای تشخیص سرطان پستان در ماموگرام ها پیشنهاد کردند. کار اخیر یک روش مبتنی بر شکل را برای تشخیص سرطان پستان با استفاد از ماموگرام ها پیشنهاد می کند. سازمان بندی این مقاله بر طبق زیر می باشد: فلوچارت و الگوریتم پیشنهادی در بخش 2 توصیف شده است. بخش 3 شامل تایید الگوریتم و نتایج آزمایشگاهی می باشد و نتایج در بخش 4 آمده اند.
Abstract
This paper discusses an approach for automatic detection of abnormalities in the mammograms. Image processing techniques have been applied to accurately segment the suspicious region-of-interest (ROI) prior to abnormality detection. Unsharp masking has been applied for enhancement of the mammogram. Noise removal has been done by using median filtering. Discrete wavelet transform has been applied on filtered image to get the accurate result prior to segmentation. Suspicious ROI has been segmented using the fuzzy-C-means with thresholding technique. Tamura features, shape based features and moment invariants are extracted from the segmented ROI to detect the abnormalities in the mammograms. Proposed algorithm has been validated on the Mini-MIAS data set.
I. INTRODUCTION
Mammography has been considered as the most important technique to investigate the breast cancer. It can be used to detect the disease in the early stage when recovery is possible. Aim of Computer Aided Diagnosis system (CAD) is to read the mammograms, locate the suspicious regions of abnormalities and analyze its characteristics. Performance and reliability of CAD depends on accurate segmentation of the lesions and appropriate feature selection. Global segmentation of the lesions is the most challenging task due to the artifacts and healthy tissues present in the mammograms [1]. Various algorithms have been developed in literature for early detection of the breast cancer in mammograms. Kegelmeyer et al. presented laws textural feature and binary decision tree classifier to classify between lesions and normal tissues [2]. Campanini et al. presented an SVM classifier for mass detection in digital mammograms [3]. Sahiner et al. used four gray-level difference statistics (GLDS) texture features and convolution neural network for mass detection [4]. Bellotti et al. proposed an automated CAD system for mass detection based on gray level co-occurrences matrices (GLCM) features and back-propagation neural network classifier [5]. Mudigonda et al. and Dominguez et al. proposed Density slicing technique for mass segmentation [6, 7]. Sharma and Khanna developed a CAD system to detect the breast cancer using Zernike moments [8]. Kashyap et al. proposed an efficient segmentation algorithm for breast cancer detection in mammograms [9]. Present work proposes a shape based approach for breast cancer detection using mammograms. Organization of the paper is given as follows: Flow chart and the proposed algorithm is described in Section 2. Section 3 includes the validation of algorithm and experimental results followed by conclusions in Section 4.
چکیده
I.مقدمه
II. الگوریتم پیشنهادی
III. نتایج آزمایشگاهی و بحث
IV. نتیجه گیری
Abstract
I. Introduction
II. Proposed Algorithm
III. Experimental Results and Discussion
IV. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه