Hybrid cytological image segmentation method based on competitive neural network and adaptive thresholding

• Autorzy: Kowal M. , Filipczuk P. , Korbicz J.

Warianty tytułu

PL

Hybrydowa metoda segmentacji obrazów cytologicznych oparta o konkurencyjne sieci neuronowe i adaptacyjne progowanie

• Języki publikacji: EN

Abstrakty

EN

The paper provides a preview of research on the computer system to support breast cancer diagnosis. The approach is based on analysis of microscope images of fine needle biopsy material. The article is devoted mainly to the segmentation problem. Hybrid segmentation algorithm based on competitive learning neural network and adaptive thresholding is presented. The system was tested on a set of real case medical images obtained from patients of the hospital in Zielona Góra with promising results.

PL

Niniejszy artukuł przedstawia wyniki prac badawczych prowadzonych nad komputerowym systemem wspierającym diagnostykę raka piersi. Zaprezentowane podejscie oparte jest na analizie mikroskopowych obrazów materiału pozyskanego metodą biopsji cienkoigłowej bez aspiracji. Zadaniem systemu jest określenie czy badany przypadek jest zmianą łagodną czy złośliwą. Badania skupione są na dwóch głównych problemach. Pierwszym z nich jest segmentacja obrazów cytologicznych oraz ekstrakcja cech morfometrycznych jąder komórkowych występujących na rozmazach. Drugim problemem jest klasyfikacja raka sutka oraz odpowiedni dobór cech najlepiej opisujących daną klasę. W artykule autorzy położyli główny nacisk na opisie sposobu segmentacji obrazów. Poprawność procesu segmentacji w dużym stopniu decyduje o możliwości wykonania skutecznych pomiarów cech morfometrycznych jąder komórkowych i w konsekwencji dokonania właściwej diagnozy. W artykule przedstawiono hybrydowy algorytm segmentacji oparty o konkurencyjne sieci neuronowe i adaptacyjne progowanie. Jest to metoda alternatywna do zaprezentowanej wcześniej metody bazującej na rozmytym algorytmie c-średnich. Porównanie wyników obydwu metod zamieszczono w artykule. Automatyczny system wspierający diagnostykę raka piersi przetestowano na prawdziwych obrazach medycznych pacjentów regionalnego szpitala w Zielonej Górze. W przeprowadzonych eksperymetach uzyskano obiecujące wyniki.

Słowa kluczowe

EN

image segmentation; neural networks; breast cancer; diagnosis

PL

segmentacja obrazu; sieci neuronowe; rak piersi; diagnostyka

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2011
• Tom: R. 57, nr 11
• Strony: 1448--1451
• Opis fizyczny: Bibliogr. 22 poz., rys., tab., wzor

Twórcy

autor

Kowal M.

autor

Filipczuk P.

autor

Korbicz J.

• University of Zielona Góra, Institute of Control and Computation Engineering, ul. Podgórna 50, 65-246 Zielona Góra,

Bibliografia

• [1] Underwood J. C. E.: Introduction to biopsy interpretation and surgical pathology. Springer-Verlag, London 1987.
• [2] Filipczuk P., Kowal M., Marciniak A.: Feature selection for breast cancer malignancy classication problem. J. Medical Informatics & Technologies, Vol. 15, 2010, pp. 193-199.
• [3] Hrebień M., Steć P., Obuchowicz A., Nieczkowski T.: Segmentation of breast cancer fine needle biopsy cytological images. Int. J. Appl. Math and Comp. Sci. Vol. 18, No. 2, 2008, pp. 159-170.
• [4] Jeleń Ł., Fevens T., Krzyżak A. (2008) Classification of breast cancer malignancy using cytological images of fine needle aspiration biopsies. Int. J. Appl. Math and Comp. Sci. Vol. 18, No. 1, 2008, pp. 75-83.
• [5] Kowal M., Korbicz J.: Segmentation of breast cancer fine needle biopsy cytological images using fuzzy clustering. W: Kornacki J, Raś Z, Wierzchoń S., Kacprzyk J. (red.) Advances in Machine Learning I, Springer-Verlag, Berlin - Heidelberg, 2010, pp. 405-417.
• [6] Wolberg W. H., Street W. N., Mangasarian O. L.: Breast cytology diagnosis via digital image analysis. Analytical and Quantitative Cytology and Histology, Vol. 15, 1993, pp. 396-404.
• [7] Marciniak A., Obuchowicza A., Monczak R., Kołodziński M.: Cytomorphometry of Fine Needle Biopsy Material from the Breast Cancer. Proc. 4th Int. Conf. on Computer Recognition Systems, CORES’05, 2005, pp. 603-609.
• [8] Breiman L., Friedman J., Stone C. J., Olshen R. A.: Classification and Regression Trees. Chapman & Hall, Boca Raton 1993.
• [9] Mitchell T. M.: Machine Learning. McGraw-Hill, 1997.
• [10] Al-Kofahi Y., Lassoued W., Lee W., Roysam B.: Improved Automatic Detection and Segmentation of Cell Nuclei in Histopathology Images. IEEE Trans. on Biomedical Engineering, Vol. 57, No. 4, 2010, pp. 841-852.
• [11] Clocksin W. F.: Automatic segmentation of overlapping nuclei with high background variation using robust estimation and flexible contour models. Proc 12th Int. Conf. Image Analysis and Processing, ICIAP’03, 2003, pp. 682-687.
• [12] Cloppet F., Boucher A.: Segmentation of overlapping/aggregating nuclei cells in biological images. Proc. 19th Int. Conf. on Pattern Recognition, ICPR 2008, 2008, pp. 1-4.
• [13] Obuchowicz A., Hrebień M., Nieczkowski T., Marciniak A.: Computational intelligence techniques in image segmentation for cytopathology. W: Smoliński T. G., Milanova M. G., Hassanien A. -G. (red.) Computational intelligence in biomedicine and bioinformatics: current trends and applications. Springer-Verlag, Berlin, 2008, pp. 169-199.
• [14] Gonzalez R. C., Woods R. E.: Digital Image Processing. Prentice Hall, New Jersey 2001.
• [15] Naz S., Majeed H., Irshad H.: Image Segmentation using Fuzzy Clustering: A Survey. Proc 6th Int. Conf. Emerging Technologies, ICET, 2010, pp. 181-186.
• [16] Sezgin M, Sankur B.: Survey over image thresholding techniques and quantitative performance evaluation, J. Electronic Imaging, Vol. 13, No. 1, 2003, pp. 146-165.
• [17] Suri J. S., Setarhdan K., Singh S.: Advanced Algorithmic Approaches to Medical Image Segmentation. Springer-Verlag, London 2002.
• [18] Kohonen T.: Self-Organization and Associative Memory, Springer, Berlin 1984.
• [19] Otsu N.: A threshold selection method from gray-level histograms. IEEE Trans. Sys. Man. and Cyber., Vol. 9, 1979, pp. 62-66.
• [20] Shapiro L. G., Stockman G. C.: Computer Vision. Prentice Hall, New Jersey 2002.
• [21] Dong G. and Xie M.: Color clustering and learning for image segmentation based on neural networks, IEEE Trans. on Neural Networks Vol. 16, No. 4, 2005, pp. 925-936.
• [22] Mavrinac A., Wu J., Chen X., Tepe K.: Competitive learning techniques for color image segmentation, Proc. Conf. Image and Signal Processing, CISP’08, 2008, pp. 644-649.