نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشگاه صنعتی خواجه نصیرالدین طوسی
2 دانشگاه علوم پزشکی تهران
3 دانشگاه تربیت مدرس
چکیده
در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون استخراج می گردد. سپس با استفاده از یک شبکه عصبی، دسته بندی اولیه پیکسل ها انجام می شود. در مرحله دوم الگوریتم، پس از حذف پیکسل های نویزی حاصل از مرحله اول، اجسام باقیمانده از نظر مطابقت با یک دانه میکروکلسیفیکاسیون مورد بررسی قرار می گیرد. به این منظور، از 18 ویژگی تعریف شده برای هر دانه میکروکلسیفیکاسیون، و یک دسته بندی کننده غیرخطی استفاده شده و دانه های میکروکلسیفیکاسیون با دقت خوبی شناسایی می شود. برای آموزش این دسته بندی کننده، از 16 ناحیه حاوی میکروکلسیفیکاسیون های بدست آمده از تصاویر پایگاه داده ای که مجموعا شامل 379 میکروکلسیفیکاسیون بودند استفاده شده است. در مرحله سوم، با استفاده از 5 ویژگی مربوط به خوشه های میکروکلسیفیکاسیون و یک شبکه عصبی، در مورد بدخیمی خوشه های میکروکلسیفیکاسیون قضاوت به عمل می آید. برای آموزش این شبکه عصبی از 22 خوشه که از 14 خوشه خوش خیم و 8 خوشه بدخیم تشکیل شده بودند استفاده شد. برای سنجش کارآیی سیستم نیز 22 خوشه دیگر که در مرحله آموزش از آنها استفاده نشده بود و شامل 10 خوشه خوش خیم و 12 خوشه بد خیم بودند، به سیستم اعمال شد. با اعمال تصاویر فوق، این سیستم در مقدار آستانه 0.45 مقدار حساسیت 100% و مقدار خصوصیت 91.6% از خود نشان داد. با توجه به این مقادیر می توان قابلیت مناسب الگوریتم ایجاد شده را تایید نمود.
کلیدواژهها
- ماموگرافی
- میکروکلسیفیکاسیون
- تشخیص خودکار تصاویر ماموگرافی
- شبکه های عصبی مصنوعی
- پردازش تصویر
- تبدیل موجک
موضوعات
عنوان مقاله [English]
Automatic Diagnosis Of Clustered Microcalcifications Using Wavelet Transform And Neural Networks
نویسندگان [English]
- Hamid Abrishami Moghaddam 1
- Alireza Sheikh Hasani 1
- Abbas Mostafa 2
- Masoume Giti 3
- Parviz Abdolmaleki 1
1 K. N. Toosi University of Technology
2 Tehran University of Medical Science
3 Tarbiat Modarres University
چکیده [English]
This paper presents a CAD system for detection and diagnosis of microcalcification clusters in mammograms. The proposed algorithm is composed of three main stages. In the first stage, the image pixels are examined for corresponding to individual microcalcification objects. For this purpose, the wavelet transform of the image is computed. Then two wavelet coefficients as well as two statistical features are used with a neural network for a primary classification of the image pixels. In the second stage, some noisy pixels extracted by the first step are eliminated. Then 18 features defined for each microcalcification are used with a nonlinear classifier for accurate detection of microcalcifications. For training of this classifier we used 16 regions from a database containing 379 microcalcifications. Finally, in the third stage five features defined for each microcalcification cluster with a neural network are used to recognize malignant microcalcification clusters. For training of this network, 22 clusters including 8 malignant and 14 benign cases were used. The performance of the algorithm was evaluated using a separate image set composed of 22 clusters including 10 malignant and 12 benign cases. Using these tests images and the threshold value of 0.45, the sensitivity of the algorithm was 100% and its specificity was 91.6%.
کلیدواژهها [English]
- Mammography
- Microcalcification
- Automatic Diagnosis Of Mammograms
- Artificial neural networks
- image processing
- Wavelet transform