Bu çalışma, uzmanlara mamogram görüntülerinde meme kitlelerini tespit etmesine yardımcı olan bir hesaplamalı metodoloji sunmaktadır. Metodolojinin ilk aşaması, mamogram görüntüsünü iyileştirmeyi amaçlar. Bu aşama, memenin dışındaki nesnelerin çıkarılması, gürültünün azaltılması ve memenin iç yapılarının vurgulanmasından oluşur. Daha sonra, hücresel sinir ağları kütle içerebilecek bölgeleri bölümlere ayırmak için kullanılır. Bu sistem dahilinde; Maske R-CNN tabanlı vücut kütlesi tanıma segmentasyonu ile birlikte yönlendirilmiş renk tayfı ön işlemine tutulmuş mammogramlar kullanılmaktadır. Bu bölgelerin şekilleri, şekil tanımlayıcıları analiz edilir ve dokuları jeoistatistik fonksiyonlarla (Ripley's K fonksiyonu ve Moran's ve Geary's indeksleri) analiz edilir. Çok ölçekli morfolojik eleme, Maske R-CNN performansını iyileştirmek için kütle benzeri desenleri artırarak gri tonlamalı mamogramları yönlenmeli renkli resimlere dönüştürür. Genel veri seti üzerinde test edildiğinde, bu çalışma kapsamındaki vakaların ~%65'inin, uygun şekilde ayrılmış veya yayılmış 4687 pikselle temsil edildiği görüldü ve ortalama geçerli bir pozitif oran elde edildi.
This study provides a computational methodology that helps experts detect breast masses on mammogram images. The first phase of the methodology aims to improve the mammogram image. This phase consists of removing objects outside the breast, reducing noise, and emphasizing the internal structures of the breast. Then, cellular neural networks are used to compartmentalize regions that may contain mass. Masked R-CNN-based body mass recognition segmentation and guided color spectrum preprocessed mammograms are employed in this approach. The shapes, shape descriptors of these regions are analyzed and their textures are analyzed with geostatistical functions (Ripley's K function and Moran's and Geary's indices). Multiscale morphological screening improves Mask R-CNN performance by converting grayscale mammograms into directed color pictures by boosting mass-like patterns. When tested on the general dataset, ~65% of the cases covered in this study were represented by 4687 pixels appropriately separated or spanned, resulting in an average valid positive rate.
Primary Language | English |
---|---|
Subjects | Health Care Administration |
Journal Section | Research Articles |
Authors | |
Publication Date | June 29, 2022 |
Published in Issue | Year 2022 Volume: 2 Issue: 1 |