MAMOGRAFİ NORMALİZASYONUNUN SINIFLANDIRMA PERFORMANSI ÜZERİNDEKİ ETKİLERİ

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 görüntüleriGrup 2: gürültülerden ve pektoral kastan temizlenmiş mamogram görüntüleriGrup 3: temizlenmiş ve boyutu 256x512’ye sabitlenmiş mamogram görüntüleriGrup 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.

THE EFFECTS OF MAMMOGRAPHY NORMALIZATION ON CLASSIFICATION

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 operationGroup 2: Mammograms that are cleaned noises and pectoral musclesGroup 3: The dimension normalized mammograms at 512x256 pixelsGroup 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).

___

  • [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.
İleri Teknoloji Bilimleri Dergisi-Cover
  • ISSN: 2147-3455
  • Başlangıç: 2015
  • Yayıncı: Düzce Üniversitesi