Wyniki wyszukiwania - BazTech

1

Classification of microcalcifications into BI-RADS™ morphologic categories - preliminary results

Podsiadły-Marczykowska T., Wróblewska A., Przelaskowski A.

Biocybernetics and Biomedical Engineering

|

2009

|

Vol. 29, no. 4

83-93

EN

In the paper, preliminary results for the classification of microcalcifications (MCs) into the three BIRADSTM morphologic categories (punctate, pleomorphic and linear) are presented. To classify the microcalcifications into morphologic types the set of 27 shape descriptors was constructed. The morphology of the cluster was determined as the mean values of shape descriptors for single microcalcifications. SVM classifier was used to differentiate MCs clusters into BI-RADS morphologic types. Classification of the clustered MCs into linear or pleomorphic morphologic types obtained accuracy ranging from 84 to 88% depending on the MCs features and the SVM parameters. The most discriminate features for the classification of clustered linear and pleomorphic MCs are: inner compactness, major axis and first invariant shape moment calculated from binary image of segmented MCs.

2

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

EN

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.

PL

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.

3

Zastosowanie kwantyzacji wektorowej LVQ w wyborze cech i klasyfikacji mikrozwapnień

Boniński P., Kazubek M., Przelaskowski A.

Elektronizacja : podzespoły i zastosowania elektroniki

|

2003

|

Vol. 23, nr 3

11-15

PL

Niniejsza praca dotyczy wykorzystania algorytmów Learning Vector Quantization w procesie automatycznego wyboru cech i klasyfikachi mikrozwapnień w obrazach mammograficznych oraz porównania efektów klasyfikacji tym algorytmem z powszechnie stosowaną siecią neuronową z propagacja wsteczną. Zaproponowano nową, bazującą na LVQ i kryterium dyskryminacyjnym Fishera metodę selekcji cech. Zweryfikowano przydatność wyselekcjonowanych cech do klasyfikacji.

EN

This paper refers to the applying of Learning Vector Quantization algorithms in automatic feature selection and classification of microcalcification in mammographic images and comparison classification efficiency of LVQ to common applicable backpropagation neural network. The new feature selection method, based on the LVQ and Fisher discriminant criterion, was suggested. The usefulness of the selected features for classification was verified.

4

System automatycznej detekcji i klasyfikacji mikrozwapnień w cyfrowej mammografii

Wróblewska A., Przelaskowski A.

Elektronizacja : podzespoły i zastosowania elektroniki

|

2003

|

Vol. 23, nr 3

8-10

PL

Mikrozwapnienia są jednym z ważniejszych objawów umożliwiających wczesne wykrycie raka sutka. Celem pracy było zaprojektowanie i realizacja systemu automatycznej detekcji i klasyfikacji mikrozwapnień. Metoda wstępnej detekcji potencjalnych obiektów mikrozwapnień oparta jest na filtracji morfologicznej "white top-hat" i segmentacji obrazu przy użyciu progu znajdowanego na podstawie aproksymacji lokalnego histogramu rozkładem prawdopodobieńdtwa Gaussa. Następnie klasyfikatorem obiektów jest sztuczna sieć neuronowa.

EN

Microcalcifications are one of more important signs enabling detection of breast cancer at early stage. The goal of the research was designing and realization of a system for the automatic detection and classification of microcalcifications. The first step of the detection algorithm is to segment out the individual potential microcalcifications. This is achieved by applying opening by reconstruction top-hat technique and image thresholding based on approximation of an image local histogram with a probability density of Gauss distribution. Selected features of the segmented out objects are used as inputs to a neural network.