Methods for detecting and selecting areas on texture biomedical images of breast cancer

• Autorzy: Orazayeva Ainur , Tussupov Jamalbek , Wójcik Waldemar , Pavlov Sergii , Abdikerimova Gulzira , Savytska Liudmyla

Identyfikatory

DOI

10.35784/iapgos.2951

Warianty tytułu

PL

Metody wykrywania i wyróżniania obszarów w teksturowanych obrazach biomedycznych raka piersi

• Języki publikacji: EN

Abstrakty

EN

This paper is devoted to topical issues - the development of methods for analyzing texture images of breast cancer. The main problem that is resolved in the article is that the requirements for the results of pre-processing are increasing. As a result of the task, images of magnetic resonance imaging of the breast are considered for image processing using texture image analysis methods. The main goal of the research is the development and implementation of algorithms that allow detecting and isolating a tumor in the breast in women in an image. To solve the problem, textural features, clustering, orthogonal transformations are used. The methods of analysis of texture images of breast cancer, carried out in the article, namely: Hadamard transform, oblique transform, discrete cosine transform, Daubechies transform, Legendre transform, the results of their software implementation on the example of biomedical images of oncological pathologies on the example of breast cancer, it is shown that The most informative for image segmentation is the method based on the Hadamard transform and the method based on the Haar transform. The article presents recommendations for using the results in practice, namely, it is shown that clinically important indicators that make a significant contribution to assessing the degree of pathology and the likelihood of developing diseases, there are other information parameters: diameter, curvature, etc. Therefore, increased requirements for the reliability, accuracy, speed of processing biomedical images.

PL

Niniejszy artykuł jest poświęcony aktualnemu tematowi - opracowaniu metod analizy obrazów tekstury raka piersi. Główny problem, który został rozwiązany w artykule, polega na tym, że wymagania wobec wyników przetwarzania wstępnego są coraz większe. W wyniku realizacji zadania rozpatrzono obrazy rezonansu magnetycznego piersi przeznaczone do przetwarzania metodami teksturowej analizy obrazu. Głównym celem badań jest opracowanie i wdrożenie algorytmów wykrywania i odróżniania na obrazie guza w piersi u kobiet. Do rozwiązania tego problemu wykorzystuje się cechy tekstury, grupowanie i transformacje ortogonalne. W artykule przedstawiono metody analizy obrazów teksturowych raka piersi, t j. transformatę Adamarda, transformatę skośną, transformatę dyskretno-cosinusową, transformatę Dobeshiego, transformatę Lejandre'a, oraz wyniki ich implementacji programowej na przykładzie obrazów biomedycznych patologii onkologicznej w przypadku raka piersi. Metoda oparta na transformacie Adamarda oraz metoda oparta na transformacie Haara są najbardziej przydatne do segmentacji obrazów. W artykule przedstawiono zalecenia dotyczące wykorzystania wyników w praktyce, a mianowicie wykazano, że inne parametry informacyjne, takie jak średnica, krzywizna itp. są ważnymi klinicznie wskaźnikami, które w istotny sposób przyczyniają się do oceny stopnia patologii i prawdopodobieństwa rozwoju choroby. W związku z tym wzrastają wymagania dotyczące niezawodności, dokładności i szybkości przetwarzania obrazów biomedycznych w urządzeniach diagnostycznych.

Słowa kluczowe

EN

biomedical image processing; textural features; clustering; orthogonal transformations

PL

przetwarzanie obrazów biomedycznych; cechy tekstury; klasteryzacja; transformacje ortogonalne

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2022
• Tom: T. 12, nr 2
• Strony: 69--72
• Opis fizyczny: Bibliogr. 20 poz., fot., tab., wykr.

Twórcy

autor

Orazayeva Ainur

• L.N. Gumilyov Eurasian National University, Nur-Sultan, Kazakhstan

• https://orcid.org/0000-0002-2899-9886

autor

Tussupov Jamalbek

• L.N. Gumilyov Eurasian National University, Nur-Sultan, Kazakhstan

• https://orcid.org/0000-0002-9179-0428

autor

Wójcik Waldemar

• Lublin University of Technology, Lublin, Poland

• https://orcid.org/0000-0002-6473-9627

autor

Pavlov Sergii

• Vinnytsia National Technical University, Vinnytsia, Ukraine

• https://orcid.org/0000-0002-0051-5560

autor

Abdikerimova Gulzira

• L.N. Gumilyov Eurasian National University, Nur-Sultan, Kazakhstan

• https://orcid.org/0000-0002-4953-0737

autor

Savytska Liudmyla

• Vinnytsia National Technical University, Vinnytsia, Ukraine

• https://orcid.org/0000-0003-1130-2621

Bibliografia

• [1] Abdikerimova G. B. et al.: Algorithms and software for the analysis of disordering the structure of cellular walls. Bulletin of the Novosibirsk Computing Center – Series „Сomputer science” 40, 2016, 1–14.
• [2] Abdikerimova G. B. et al.: Software tools for cell walls segmentation in microphotography. Journal of Theoretical and Applied Information Technology 96, 2018, 4783–4793.
• [3] Ablyazov T., Baizakov N.: Theory and Practice of Territories Spatial Development Based on the Smart City Concept. In: Rudskoi A., Akaev A., Devezas T. (eds): Digital Transformation and the World Economy. Studies on Entrepreneurship, Structural Change and Industrial Dynamics. Springer, Cham 2022 [http://doi.org/10.1007/978-3-030-89832-8_9].
• [4] Arazayeva A. R. et al.: Efficiency of Biomedical Breast Cancer Image Processing Using Filters. The National Academy of Sciences of the Republic of Kazakhstan ¬– Physics and Information Technology Series 1(341), 2022, 69–76 [http://doi.org/10.32014/2022.2518-1726.118].
• [5] Bayzakov S., Forrest J. Y.-L., Baizakov N. A.: Modeling the management of the economies of developing countries. Advances in Systems Science and Applications 19 (2), 2019, 101–119 [http://doi.org/10.25728/assa.2019.19.2.673].
• [6] Fu K. S., Mu J. K.: A survey on image segmentation. Pattern Recognition 13(1), 1981, 3–16.
• [7] Grady L.: Random walks for image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence 28(11), 2006, 1768–1783.
• [8] Karpinski M., Ziubina R., Azatov A., Shaikhanova A., Teliushchenko V., Falat P.,: Information Security Software Using Quality and Reliability Criteria. IEEE 5th International Symposium on Smart and Wireless Systems within the Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS-SWS), 2020, 1–5 [http://doi.org/10.1109/IDAACS-SWS50031.2020.9297069].
• [9] Pavlov S. et al.: System of three-dimensional human face images formation for plastic and reconstructive medicine. In: Arras P., Luengo D. (Eds.): Teaching and subjects on bio-medical engineering Approaches and experiences from the BIOART-project. Acco cv, Leuven 2021, 187–203.
• [10] Rani R.: Performance analysis of different orthogonal transform for image processing application. International Journal of Applied Research 1(12), 2015, 844–847.
• [11] Serik M. , Yerlanova G., Karelkhan N. , Temirbekov N.: The Use of the High-Performance Computing in the Learning Process. International Journal of Emerging Technologies in Learning (iJET) 16(17), 2021, 240–254 [http://doi.org/10.3991/ijet.v16i17.22889].
• [12] Sidorova V. S.: Hierarchical Cluster Algorithm for Remote Sensing Data of Earth. Pattern Recognition and Image Analysis 22(2), 2012, 373–379.
• [13] Stashkevich A. T. et al.: Differential Mueller-matrix tomography of the polycrystalline structure of biological tissues with different damage durations. Proceedings of SPIE 12040, 2021, 120400G.
• [14] Stashkevich A. T. et al.: Multiparameter polarization-phase microscopy of optically anisotropic networks of biological crystals. Proceedings of SPIE 12040, 2021, 120400F.
• [15] Stashkevich A. T. et al.: Spectral polarimetry of laser images of biological fluid layers in the differentiation of necrotic conditions. Proceedings of SPIE 12040, 2021, 120400C.
• [16] Wang J. Z., Du Y.: Scalable integrated region-based image retrieval using IRM and statistical clustering. Proceedings of the 1st ACM/IEEE-CS joint conference on Digital libraries 2001, 268–277.
• [17] Wang J. Z., Li J., Wiederhold G.: SIMPLIcity: Semantics-Sensitive Integrated Matching for Picture Libraries. IEEE Transactions on Pattern Analysis and Machine Intelligence 23(9), 2001, 947–963.
• [18] Wójcik W., Pavlov S., Kalimoldayev M.:. Information Technology in Medical Diagnostics II. Taylor & Francis Group, CRC Press, Balkema book, London 2019 [http://doi.org/10.1201/9780429057618].
• [19] Wójcik W., Smolarz A. (ed.): Information Technology in Medical Diagnostics. CRC Press 2017.
• [20] Zhao F., Nagarathnam M.: 5418 Parallel Computer Architecture and Programming Project Report: Implementation and Comparison of Parallel LZ77 and LZ78 Algorithms. 2021.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).