Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Bio-Algorithms and Med-Systems

1 2007

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: microcalcification

Sortuj według:

Ogranicz wyniki do:

Detecting clusters of microcalcifications in high-resolution mammograms using support vector machines

Kurdziel M., Boryczko K., Yuen D. A.

Bio-Algorithms and Med-Systems

2007

Vol. 3, no. 6

11--22

This paper presents a new method for detecting clusters of microcalcifications in high-resolution digital mammograms. Using cluster analysis, we have designed a descriptive set of mammogram image features which enables precise recognition of microcalcifications. These features are fed into the Support Vector Machine classifier trained to discriminate between normal image occlusions and deposits of calcium in breast tissue. Initial candidates for microcalcifications, i.e. suspicious regions on a mammogram image, are selected by means of a discrete wavelet transform, image filtering and morphological operations. Once microcalcifications are detected, our algorithm assesses whether they form groups (clusters) and for each such group verifies its diagnostic significance. This verification is performed by employing another, appropriately trained, Support Vector Machine classifier. Accuracy of our system has been evaluated on the Breast Cancer Research Program (BCRP) volumes of the DDSM database. On this largest publicly available databases of mammograms our system achieved a sensitivity of 85.1% with average number of 5.0 false positive detections per image. Such an accuracy is competitive with other published results obtained on the same dataset.

W artykule przedstawiono nową metodę wykrywania skupisk mikrozwapnień na cyfrowych zdjęciach mammograficznych wysokiej rozdzielczości. Zaproponowana metoda korzysta ze zbioru statystycznych cech obszarów zdjęć mammograficznych, zaprojektowanego za pomocą technik analizy skupisk. Tak skonstruowany zbiór cechy umożliwia precyzyjne rozpoznawania mikrozwapnień. Cechy statystyczne obszarów zdjęć mammografi cznych są wykorzystywane przez klasyfikator SVM (od ang. Support Vector Machine) wyuczony do rozróżniania pomiędzy normalnymi strukturami na zdjęciach, a okluzjami sugerującymi obecność mikrozwapnień. Pierwotna selekcja podejrzanych obszarów na zdjęciach mammograficznych prowadzona jest za pomocą dyskretnej transformaty falkowej, szeregu operacji fi ltrowania i morfologicznych przekształceń obrazu. Po wykryciu mikrozwapnień, algorytm ustala, czy tworzą one skupiska. Następnie każde wykryte skupisko oceniane jest pod kątem wartości diagnostycznej. Oceny tej dokonuje kolejny klasyfikator SVM. Skuteczność proponowanej metody została oszacowana na podzbiorze Breast Cancer Research Program (BCRP) bazy danych DDSM. Na tej największej publicznie dostępnej bazie danych zdjęć mammograficznych zaproponowana metoda wykazuje czułość na poziomie 85.1% przy średniej liczbie 5.0 wskazań fałszywie dodatnich na jedno zdjęcie. Wynik ten jest konkurencyjny w stosunku do innych opublikowanych rezultatów uzyskanych dla tego samego zbioru zdjęć mammograficznych.