Mamografi görüntülerinin sınıflandırılması için yeni bir özellik çıkarımı yaklaşımı

Year 2019, Volume: 8 Issue: 1, 45 - 53, 20.05.2019

Nebi Gedik

Abstract

Bu çalışmada mamografi görüntülerinin
sınıflandırılması için çok çözünürlüklü analiz yöntemiyle elde edilen özellik
verisini seçerek iyileştiren bir özellik çıkarma yöntemi sunulmaktadır. Özellik
seçme işlemi sınıflar arasındaki ayrımı en çok ortaya çıkaran özelliklerin
belirlenmesine dayanmaktadır. Öncelikle, görüntüler dalga atom dönüşümü
kullanılarak ayrıştırılmakta ve elde edilen dalga atom katsayılarından özellik
vektörü oluşturulmaktadır. Matrisin satırları görüntülere, sütunları özellik
verisine karşılık gelmektedir. Yöntem, her bir sütunu ayrı ayrı ele alarak eşik
değerleri yardımıyla sınıf ayrımını en üst düzeyde temsil eden sütunlar
(optimum özellikler) araştırılmaktadır.  Elde
edilen optimum özelliklerin genelleştirilebilmesi için sınıflandırma işlemi 5-katlı
çapraz doğrulama ile yeniden gerçekleştirilmektedir. Sonuçlar, önerilen
yöntemle elde edilen özellik kümesinin mamografi görüntülerini sınıflandırmada
yeterli kabiliyete sahip olduğunu göstermektedir.

Keywords

Mamogram, Sınıflandırma, Özellik çıkarımı, Özellik seçimi, Dalga atom dönüşümü

References

• 1- Banaem, H.Y., Dehnavi, A.M., Shahnazi, M., 2015, “Ensemble supervised classification method using the regions of interest and grey level co-occurrence matrices features for mammograms data”, Iranian Journal of Radiology, Vol. 12, No. 3, pp. 1–8.
• 2- Verma, B., Zhang, P., 2007, “A novel neural-genetic algorithm to find the most significant combination of features in digital mammograms”, Applied soft computing, Vol. 7, pp. 612-625.
• 3- Mousa, R., Munib, Q., Moussa, A., 2005, “Breast cancer diagnosis system based on wavelet analysis and fuzzy-neural”, Expert systems with applications, Vol. 28, pp. 713-723.
• 4- Zadeh, H.S., Rad, F.R., Nejad, S.P., 2004, “Comparison of multiwavelet, wavelet, Haralick, and shape features for microcalcification classification in mammograms”, Pattern recognition, Vol. 37, pp. 1973-1986.
• 5- Cheng, H.D., Shi, X.J., Min, R., Hu, L.M., Cai, X.P., Du, H.N., 2006, “Approaches for automated detection and classification of masses in mammograms”, Pattern Recognition, Vol. 39, No. 4, pp. 646–668.
• 6- Christoyianni, I., Koutras, A., Dermatas, E., Kokkinakis, G., 2002, “Computer aided diagnosis of breast cancer in digitized mammograms”, Computerized medical imaging and graphics, Vol. 26, pp. 309-319.
• 7- Cheng, H.D., Cai, X., Chen, X., Hu, L., Lou, X., 2003, “Computer aided detection and classification of microlcalcification in mammograms: a survey”, Pattern recognition, Vol. 36, pp. 2967-2991.
• 8- Verma, B., McLeod, P., Klevansky, A., 2010, “Classification of benign and malignant patterns in digital mammograms for the diagnosis of breast cancer”, Expert systems with applications, Vol. 37, pp. 3344-3351.
• 9- Sayed, U., Mofaddel, M.A., Abd-Elhafiez, W.M., Abdel-Gawad, M.M., 2013, “Image object extraction based on curvelet transform”, An international journal of applied mathematics & information sciences, Vol. 7, pp. 133-138.
• 10- Gedik, N., 2015, “Breast cancer diagnosis system via contourlet transform with sharp frequency localization and LS-SVM”, Journal of medical imaging and health informatics, Vol. 5, pp. 1–9.
• 11- Gedik, N., Atasoy, A., 2014, “Performance evaluation of the wave atom algorithm to classify mammographic images”, Turk. J. Elec. Eng. & Comp. Sci., Vol. 22, pp. 957–969.
• 12- Liu, S., Babbs, C.F., Delp, E., 2001, “Multiresolution detection of spiculated lesions in digital mammograms”, IEEE Transactions on Image Processing, Vol. 10, pp. 874-884.
• 13- Moayedi, F., Azimifar, Z., Boostani, R., Katebi, S., 2010, “Contourlet-based mammography mass classification using the SVM family”, Computers in biology and medicine, Vol. 40, pp. 373-383.
• 14- Gedik, N., 2016, “A new feature extraction method based on multi-resolution representations of mammograms”, Applied Soft Computing, Vol. 44, No. 1, pp. 128-133.
• 15- Eltoukhy, M.M., Faye, I., Samir, B.B., 2012 “A statistical based feature extraction method for breast cancer diagnosis in digital mammogram using multiresolution representation”, Computers in biology and medicine, Vol. 42, No. 1, pp. 123–128.
• 16- Jadoon, M.M., Zhang, Q., Haq, I.U., Jadoon, A., Basit, A., Butt, S., 2017, “Classification of mammograms for breast cancer detection based on curvelet transform and multi-layer perceptron”, Biomedical Research, Vol. 28, No. 10, pp. 4311-4315.
• 17- Chen, Y., Zhang, Y., Lu, H.M., Chen, X.Q., Li, J.W., Wang, S.H., 2018, “Wavelet energy entropy and linear regression classifier for detecting abnormal breasts”, Multimed Tools Appl., Vol. 77, pp. 3813–3832.
• 18- Sehrawat, D., Sehrawat, A., Jaiswal, D., Sen, A., 2017, “Detection and classification of tumor in mammograms using discrete wavelet transform and support vector machine”, International Research Journal of Engineering and Technology (IRJET), Vol. 4, No. 5, pp. 1328-1334.
• 19- Eltoukhy, M.M., Faye, I., 2014, “An optimized feature selection method for breast cancer diagnosis in digital mammogram using multiresolution representation”, Applied Mathematics & Information Sciences, Vol. 8, No. 6, pp. 2921-2928.
• 20- Demanet, L., Ying, L.X., 2007, “Wave atoms and sparsity of oscillatory patterns”, Applied and Computational Harmonic Analysis, Vol. 23, pp. 368-387.
• 21- http://peipa.essex.ac.uk/info/mias.html (erişim tarihi: kasım 2018)