Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân đoạn tự động các tổn thương đáng nghi dựa trên cửa sổ kích thước thay đổi trong hình ảnh chụp nhũ ảnh
Tóm tắt
Ung thư vú là nguyên nhân thứ hai gây tử vong chủ yếu ở phụ nữ tại các nước phương Tây, do đó việc phát hiện và phòng ngừa sớm là cực kỳ quan trọng. Việc phát hiện sớm làm tăng khả năng điều trị cũng như khả năng sống sót của bệnh nhân. Trong số các phương pháp phát hiện ung thư vú, chụp nhũ ảnh là phương pháp chẩn đoán hiệu quả nhất. Đối với các bác sĩ chuyên khoa, việc chẩn đoán khối u trên hình ảnh chụp nhũ ảnh dễ bị nhầm lẫn, điều này cho thấy cần có một phương pháp nhằm giảm thiểu những sai sót. Trong nghiên cứu này, một phương pháp ngưỡng thích nghi mới được đề xuất dựa trên các cửa sổ kích thước thay đổi. Phương pháp này ước lượng vị trí của khối u và sau đó xác định vị trí chính xác của mô ung thư nhằm giảm thiểu tỷ lệ dương tính giả. Để phát hiện khối u một cách tự động, trước tiên, biểu đồ histogram và các cực đại tương đối của nó đã được sử dụng để tính toán ngưỡng ban đầu nhằm ước lượng vị trí khối u. Hai cửa sổ chứa thông tin xung quanh mỗi pixel có kích thước thay đổi theo giá trị trung bình của mỗi hình ảnh nhằm bảo tồn thông tin hữu ích. Thứ hai, hai cửa sổ được sử dụng cho ngưỡng cuối cùng để phát hiện vị trí của khối u và hình dạng chính xác của nó. Phương pháp được đề xuất đã được áp dụng cho 170 hình ảnh trong cơ sở dữ liệu MiniMammographic của Hiệp hội Phân tích Hình ảnh Nhũ ảnh. Các đánh giá cho thấy độ nhạy 96,7% và tỷ lệ dương tính giả 0,79, điều này chứng minh sự cải thiện so với các phương pháp tiên tiến hiện tại.
Từ khóa
#ung thư vú #chụp nhũ ảnh #phát hiện tự động #ngưỡng thích nghi #phân đoạn tổn thươngTài liệu tham khảo
Anitha J, Peter JD, Pandian SI. A dual stage adaptive thresholding dusat for automatic mass detection in mammograms. Comput Methods Programs Biomed. 2017;138:93–104.
Ayres FJ, Rangayvan RM. Characterization of architectural distortion in mammograms. IEEE Eng Med Biol Mag. 2005;24(1):59–67.
Basha SS, Prasad KS. Automatic detection of breast cancer mass in mammograms using morphological operators and fuzzy c–means clustering. Journal of Theoretical & Applied Information Technology. 2009;5(6)
Cao A, Song Q, Yang X. Robust information clustering incorporating spatial information for breast mass detection in digitized mammograms. Comput Vis Image Underst. 2008;109(1):86–96.
Groshong BR, Kegelmeyer WP. Evaluation of a hough transform method for circumscribed lesion detection. Digital mammography. 1996;96:361–6.
Guliato D, Rangayyan RM, Carvalho JD, Santiago SA. Polygonal modeling of contours of breast tumors with the preservation of spicules. IEEE Trans Biomed Eng. 2008;55(1):14–20.
Kai Hu, Gao X, Li F. Detection of suspicious lesions by adaptive thresholding based on multiresolution analysis in mammograms. IEEE Trans Instrum Meas. 2011;60(2):462–72.
Jalalian A, Mashohor SB, Mahmud HR, Saripan MI, Ramli AR, Karasfi B. Computer aided detection diagnosis of breast cancer in mammography and ultrasound a review. Clin Imaging. 2013;37(3):420–6.
Karssemeijer N, te Brake GM. Detection of stellate distortions in mammograms. IEEE Transactions on Medical Imaging. 1996;15(5):611–9
Kekre HB, Sarode TK, Gharge SM. Tumor detection in mammography images using vector quantization technique. International Journal of Intelligent Information Technology Application. 2009;2(5):237–42.
Kobatake H, Murakami M, Takeo H, Nawano S. Computerized detection of malignant tumors on digital mammograms. IEEE Trans Med Imaging. 1999;18(5):369–78.
Kom G, Tiedeu A, Kom M. Automated detection of masses in mammograms by local adaptive thresholding. Comput Biol Med. 2007;37(1):37–48.
Kurt B, Nabiyev VV, Turhan K. A novel automatic suspicious mass regions identification using havrda & charvat entropy and otsu’s n thresholding. Comput Methods Programs Biomed. 2014;114(3):349–60.
Li H, Wang Y, Liu KR, Lo SC, Freedman MT. Computerized radiographic mass detection I lesion site selection by morphological enhancement and contextual segmentation. IEEE Trans Med Imaging. 2001;20(4):289–301.
Mencattini A, Salmeri M, Lojacono R, Frigerio M, Caselli F. Mammographic images enhancement and denoising for breast cancer detection using dyadic wavelet processing. IEEE Trans Instrum Meas. 2008;57(7):1422–30.
Farzaneh Moradkhani and Bahram Sadeghi Bigham. A new image mining approach for detecting micro-calcification in digital mammograms. Applied Artificial Intelligence. 2017;31(5–6):411–24.
Pereira DC, Ramos RP, Nascimento MZD. Segmentation and detection of breast cancer in mammograms combining wavelet analysis and genetic algorithm. Comput Methods Programs Biomed. 2014;114(1):88–101.
Wener Borges Sampaio, Edgar Moraes Diniz, Aristófanes Corrêa Silva, Anselmo Cardoso De Paiva, and Marcelo Gattass. Detection of masses in mammogram images using cnn, geostatistic functions and svm. Computers in Biology and Medicine. 2011;41(8):653–64
Singh S, Bovis K. An evaluation of contrast enhancement techniques for mammographic breast masses. IEEE Trans Inf Technol Biomed. 2005;9(1):109–19.
John Suckling, J Parker, D Dance, S Astley, I Hutt, C Boggis, I Ricketts, E Stamatakis, N Cerneaz, S Kok, et al. The mammographic image analysis society digital mammogram database. In Exerpta Medica. International Congress Series. 1994;375–8
Vikhe PS, Thool VR. Mass detection in mammographic images using wavelet processing and adaptive threshold technique. J Med Syst. 2016;40(4):82.
Zhang M, Giger ML, Vyborny CJ, Doi K. Mammographic texture analysis for the detection of speculated lesions. Excerpta Medica. 1996;1119:347–51.
Zhang XP, Desai MD. Segmentation of bright targets using wavelets and adaptive thresholding. IEEE Trans Image Process. 2001;10(7):1020–30.
Xiao-ping Zhang. Multiscale tumor detection and segmentation in mammograms. In Biomedical Imaging, 2002. Proceedings. 2002 IEEE International Symposium. 2002;213–6