Abstract
Bilgisayar
destekli teşhis için dijital mamogramların belirli ön-işlemlerden geçirilmesi
gerekmektedir. Önişleme mamografi imgelerinde gürültü temizleme ve yapay
olguları kaldırma amacıyla yapılmaktadır. Önişlemden geçen mamogram imgeleri
çeşitli tekniklerle ve çeşitli sınıflandırıcılarla anomali bulguları için
işlenmektedir. Bu çalışmanın amacı uygulanan çeşitli önişleme adımlarının, dokusal
özellikler kullanılarak sınıflandırma sonuçlarına etkisini incelemektir.
Çalışmada
gerçekleştirilen önişleme algoritmasında MIAS (The Mammographic Image Analysis
Society) veri tabanına ait mamogramlar ortanca süzgeç ile küçük gürültülerden,
eşikleme yöntemleri ve morfolojik işlemler ile yapay gürültülerden ve pektoral
kastan temizlenmiştir. Temizlenen imgeler 512×256 piksel boyutlarına
getirilmiş, son olarak ise kontrast sınırlı adaptif histogram eşitleme (CLAHE)
yöntemi ile normalizasyon sağlanmıştır.
Sunulan
çalışmada mamogram görüntüleri 4 farklı gruba ayrılmıştır:
Grup 1: özgün
MIAS veri tabanından alınan, önişleme tabi tutulmamış mamogram görüntüleri
Grup 2: gürültülerden ve pektoral kastan temizlenmiş
mamogram görüntüleri
Grup 3:
temizlenmiş ve boyutu 256x512’ye sabitlenmiş mamogram görüntüleri
Grup 4:
temizlenmiş, boyutlandırılmış ve kontrast eşitlenmiş mamogram görüntüleri
Her
bir grup mamogram görüntülerinden yaygın olarak kullanılan birinci dereceden özellikler
hesaplanarak DVM (Destek Vektör Makineleri) sınıflandırıcıya uygulanmıştır.
Sınıflandırma sonuçlarına göre önişleme adımlarından gürültülerin ve pektoral
kasın temizlenmesi en iyi sonucu vermiştir.
References
- [1] Aslan Avdan A., (2013). Duktal Karsinoma İn Situ’da BI-RADS Tanımlayıcıları İle Moleküler Prognostik Faktörler Arasındaki İlişki. Gazi Üniversitesi Tıp. [2] Gülsün M, Başaran Demirkazık F, Köksal A, Arıyürek M., (2002). Meme mikrokalsifikasyonlarının BI-RADS kriterlerine göre değerlendirilmesi ve yorumcular arasındaki uyumun araştırılması. Tanısal ve Giriflimsel Radyoloji ;8:358–63. [3] Özşen Ö., (2004). Mamogramlar Üzerinde Uygulanan Görüntü İşleme Tekniklerinin İncelenmesi. [4] Memiş A., (2002). Meme Radyolojisi. [5] Akbay C.,(2015). Applıcatıon Of Image Enhancement Algorıthms To Improve The Vısıbılıty And Classıfıcatıon Of Mıcrocalcıfıcatıons In Mammograms. Middle East Technıcal University. [6] Redman A, Lowes S, Leaver A., (2015). Imaging techniques in breast cancer. Surg (United Kingdom) 34:8–18. [7] Sahiner B, Chan HP, Petrick N, Wei D, Helvie MA, Adler DD, ve ark. (1996). Classification of mass and normal breast tissue: A convolution neural network classifier with spatial domain and texture images. IEEE Trans Med Imaging;15:598–610. doi:10.1109/42.538937. [8] Chen DR, Huang YL, Lin SH., (2011). Computer-aided diagnosis with textural features for breast lesions in sonograms. Comput Med Imaging Graph 35:220–6. doi:10.1016/j.compmedimag.2010.11.003. [9] Jaleel JA, Salim S, Archana S., (2014). Textural features based computer aided diagnostic system for mammogram mass classification. 2014 Int Conf Control Instrumentation, Commun Comput Technol ICCICCT 2014 2014:806–11. doi:10.1109/ICCICCT.2014.6993069. [10] Suckling J, Hutt I, Boggis CRM, Astley S, Betal D, Cerneaz N, ve ark.(1994). The Mammographic Image Analysis Society Digital Mammogram Database. Int. Congr. Ser., International Congress Series, 375–8. [11] Saltanat N, Hossain MA, Alam MS.,(2010). An Efficient Pixel Value based Mapping Scheme to Delineate Pectoral Muscle from Mammograms. IEEE 2010:1510–7. [12] Ganesan K, Acharya UR, Chua KC, Min LC, Abraham KT. (2013). Pectoral muscle segmentation: A review. Comput Methods Programs Biomed 110:48–57. doi:10.1016/j.cmpb.2012.10.020. [13] Pak F, Kanan HR, Alikhassi A.,(2015). Breast cancer detection and classification in digital mammography based on Non-Subsampled Contourlet Transform (NSCT) and Super Resolution. Comput Methods Programs Biomed 122:89–107. doi:10.1016/j.cmpb.2015.06.009. [14] Gonzalez RC, Woods RE, Telatar Z, Tora H, Arı H, Kalaycıoğlu A., (2014). Sayısal Görüntü İşleme. Ankara: Palme Yayıncılık. [15] Mohamed WA, Alolfe MA, Kadah YM., (2008). Microcalcifications enhancement in digital mammograms using fractal modeling. 2008 Cairo Int Biomed Eng Conf CIBEC 2008:1–5. doi:10.1109/CIBEC.2008.4786034. [16] Wang D, Shi L, Heng PA.,(2009). Automatic detection of breast cancers in mammograms using structured support vector machines. Neurocomputing 2009;72:3296–302. doi:10.1016/j.neucom.2009.02.015.
Abstract
Digital mammograms should be preprocessed
for computer-aided diagnosis. The aims of preprocessing are denoising and eliminating
of artifacts. Mammograms are computing by different techniques and classifiers,
after preprocessing step. The purpose of this study is the evaluation of the
classification rates with first order textural features by different preprocessing
steps.
In the study digital
mammograms are taken from MIAS database. The algorithm of the preprocessing
step of this study includes noise clearance by median filter and artifact noise
and pectoral muscle elimination by threshold techniques and morphological
operations. Denoised images are normalized by a size of 512x256 pixels. Then, contrast-limited
adaptive histogram equalization (CLAHE) is applied.
In proposed study, mammogram
images divided into 4 groups.
Group 1: Original MIAS mammograms, without any
preprocessing operation
Group 2: Mammograms
that are cleaned noises and pectoral muscles
Group 3: The
dimension normalized mammograms at 512x256 pixels
Group 4: CLAHE
applied mammograms
For each group mammograms
commonly used features are extracted and SVM classifier are used. According to
classification results, the best classification rate is implemented by noise
and pectoral muscle are eliminated groups (Group 2).
References
- [1] Aslan Avdan A., (2013). Duktal Karsinoma İn Situ’da BI-RADS Tanımlayıcıları İle Moleküler Prognostik Faktörler Arasındaki İlişki. Gazi Üniversitesi Tıp. [2] Gülsün M, Başaran Demirkazık F, Köksal A, Arıyürek M., (2002). Meme mikrokalsifikasyonlarının BI-RADS kriterlerine göre değerlendirilmesi ve yorumcular arasındaki uyumun araştırılması. Tanısal ve Giriflimsel Radyoloji ;8:358–63. [3] Özşen Ö., (2004). Mamogramlar Üzerinde Uygulanan Görüntü İşleme Tekniklerinin İncelenmesi. [4] Memiş A., (2002). Meme Radyolojisi. [5] Akbay C.,(2015). Applıcatıon Of Image Enhancement Algorıthms To Improve The Vısıbılıty And Classıfıcatıon Of Mıcrocalcıfıcatıons In Mammograms. Middle East Technıcal University. [6] Redman A, Lowes S, Leaver A., (2015). Imaging techniques in breast cancer. Surg (United Kingdom) 34:8–18. [7] Sahiner B, Chan HP, Petrick N, Wei D, Helvie MA, Adler DD, ve ark. (1996). Classification of mass and normal breast tissue: A convolution neural network classifier with spatial domain and texture images. IEEE Trans Med Imaging;15:598–610. doi:10.1109/42.538937. [8] Chen DR, Huang YL, Lin SH., (2011). Computer-aided diagnosis with textural features for breast lesions in sonograms. Comput Med Imaging Graph 35:220–6. doi:10.1016/j.compmedimag.2010.11.003. [9] Jaleel JA, Salim S, Archana S., (2014). Textural features based computer aided diagnostic system for mammogram mass classification. 2014 Int Conf Control Instrumentation, Commun Comput Technol ICCICCT 2014 2014:806–11. doi:10.1109/ICCICCT.2014.6993069. [10] Suckling J, Hutt I, Boggis CRM, Astley S, Betal D, Cerneaz N, ve ark.(1994). The Mammographic Image Analysis Society Digital Mammogram Database. Int. Congr. Ser., International Congress Series, 375–8. [11] Saltanat N, Hossain MA, Alam MS.,(2010). An Efficient Pixel Value based Mapping Scheme to Delineate Pectoral Muscle from Mammograms. IEEE 2010:1510–7. [12] Ganesan K, Acharya UR, Chua KC, Min LC, Abraham KT. (2013). Pectoral muscle segmentation: A review. Comput Methods Programs Biomed 110:48–57. doi:10.1016/j.cmpb.2012.10.020. [13] Pak F, Kanan HR, Alikhassi A.,(2015). Breast cancer detection and classification in digital mammography based on Non-Subsampled Contourlet Transform (NSCT) and Super Resolution. Comput Methods Programs Biomed 122:89–107. doi:10.1016/j.cmpb.2015.06.009. [14] Gonzalez RC, Woods RE, Telatar Z, Tora H, Arı H, Kalaycıoğlu A., (2014). Sayısal Görüntü İşleme. Ankara: Palme Yayıncılık. [15] Mohamed WA, Alolfe MA, Kadah YM., (2008). Microcalcifications enhancement in digital mammograms using fractal modeling. 2008 Cairo Int Biomed Eng Conf CIBEC 2008:1–5. doi:10.1109/CIBEC.2008.4786034. [16] Wang D, Shi L, Heng PA.,(2009). Automatic detection of breast cancers in mammograms using structured support vector machines. Neurocomputing 2009;72:3296–302. doi:10.1016/j.neucom.2009.02.015.
Details
| Journal Section | Articles |
|---|---|
| Authors | |
| Publication Date | June 28, 2018 |
| Published in Issue | Year 2018 Volume: 7 Issue: 1 |