پديد آورندگان :
نيرومندفام، بهروز دانشگاه آزاد اسلامي - دانشكده مكاترونيك - گروه كامپيوتر، كرج , نيكروان شلماني، عليرضا دانشگاه آزاد اسلامي - دانشكده مكاترونيك - گروه كامپيوتر، كرج , خليليان، مجيد دانشگاه آزاد اسلامي - دانشكده مكاترونيك - گروه كامپيوتر، كرج
كليدواژه :
ماموگرام , تقسيم بندي , موجك گسسته , تجميع ضرايب موجك
چكيده فارسي :
مقدمه: سرطان پستان شايع ترين سرطان در بين زنان بوده و بيشترين مرگ و مير ناشي از سرطان را در ميان زنان ايجاد مي كند. كشف و مرزبندي خودكار توده ها در ماموگرام كار چالش برانگيز و يك گام اساسي سيستم هاي CAD سرطان پستان است. در اين مطالعه، روش جديدي براي كشف خودكار نواحي كانديدهاي مشكوك به توده (SMC) در ماموگرام را معرفي نموده ايم.
روش بررسي: مطالعه حاضر بر روي كشف نواحي مشكوك به توده در تصاوير ماموگرام و استخراج نواحي مورد نظر (ROI) از تصاوير ماموگرام است. در اين مطالعه، ابتدا پيش پردازش بر روي تصوير ماموگرام صورت گرفته و سپس تجميع ضرايب موجك گسسته بر اساس ويژگي هاي بافتي تصوير محاسبه و ايجاد مي شود. بعد از حذف نويز از اين تجميع و با اعمال عمليات مورفولوژي ضرايب تجميع بهبود يافته و در نهايت با استفاده از آشكارشاز لبه و anny، تقسيم بندي ماموگرام انجام مي شود. براي غلبه بر مشكلover-segmentation و under-segmentationكاهش نرخ منفي و مثبت كاذب و بهبود نواحي كشف شده از روش تقسيم و ادغام براي بهبود نواحي كشف شده استفاده ميشود. ارزيابي روش پيشنهادي با استفاده از تصاوير پايگاه داده DDSM انجام شده است.
يافته ها: ميزان حساسيت، CROI و CG.T به ترتيب برابر با 100، 86/5 و 56 درصد و مقدار FPI برابر با 5/4 براي هر تصوير گزارش شدهاند.
نتيجه گيري: ارزيابي روش پيشنهادي نشان دهنده قابليت كشف و تعيين خودكار نواحي ناهنجاري ماموگرام كه كانديد توده پستاني هستند را نشان مي دهد. از روش پيشنهادي مي تواند به عنوان گام اول همه سيستم هاي CAD سرطان پستان استفاده نمود و يا به راديولوژيست در تشخيص بهتر كمك كند.
چكيده لاتين :
Introduction
Breast cancer is the most common cancer among women in the world. The automatic detection of masses in digital mammograms is a challenging task and a major step in the development of breast cancer CAD systems. In this study, we introduce a new method for automatic detection of suspicious mass candidate (SMC) regions in a mammogram.
Methods
Mammography is widely used for the early detection and diagnosis of breast cancer. Extracting the region of interest (ROI) helps to locate the abnormal areas, which may be analyzed further by a radiologist or a CAD system. In this study, we propose a new method for ROI detection in mammography images. After preprocessing the mammogram, an aggregation of discrete wavelet coefficients based on the lifting scheme and the texture characteristics of the mammogram was created. Then, the coefficients were optimized through noise removal and morphological operations, and a canny edge detector was used to segment the mammogram. Finally, to overcome the problem of over segmentation or under segmentation, reduce the false-negative rate, and enhance the detected regions, we used splitting and merging method. The proposed method was evaluated using images from the DDSM database.
Results
Sensitivity, , , and FPI were calculated to be 100%, 86.5%, 56%, and 5.4, respectively.
Conclusion
Experimental results indicate that the proposed method is able to detect and identify the abnormal regions of the mammogram that are candidates for breast masses. This technique could potentially improve the performance of CAD systems and diagnosis accuracy in mammograms and can be useful for medical staff and students.
