قطعه بندی ناهنجاری های پستان با استفاده از تجمیع ضرایب موجک

مقدمه: سرطان پستان شایع ترین سرطان در بین زنان بوده و بیشترین مرگ و میر ناشی از سرطان را در میان زنان ایجاد می کند. کشف و مرزبندی خودکار توده ها در ماموگرام کار چالش برانگیز و یک گام اساسی سیستم های cad سرطان پستان است. در این مطالعه، روش جدیدی برای کشف خودکار نواحی کاندیدهای مشکوک به توده (smc) در ماموگرام را معرفی نموده ایم.روش بررسی: مطالعه حاضر بر روی کشف نواحی مشکوک به توده در تصاویر ماموگرام و استخراج نواحی مورد نظر (roi) از تصاویر ماموگرام است. در این مطالعه، ابتدا پیش پردازش بر روی تصویر ماموگرام صورت گرفته و سپس تجمیع ضرایب موجک گسسته بر اساس ویژگی های بافتی تصویر محاسبه و ایجاد می شود. بعد از حذف نویز از این تجمیع و با اعمال عملیات مورفولوژی ضرایب تجمیع بهبود یافته و در نهایت با استفاده از آشکارشاز لبه و anny، تقسیم بندی ماموگرام انجام می شود. برای غلبه بر مشکلoversegmentation و undersegmentationکاهش نرخ منفی و مثبت کاذب و بهبود نواحی کشف شده از روش تقسیم و ادغام برای بهبود نواحی کشف شده استفاده می شود. ارزیابی روش پیشنهادی با استفاده از تصاویر پایگاه داده ddsm انجام شده است.یافته ها: میزان حساسیت، croi و cg.t به ترتیب برابر با 100، 86.5 و 56 درصد و مقدار fpi برابر با 5.4 برای هر تصویر گزارش شده اند.نتیجه گیری: ارزیابی روش پیشنهادی نشان دهنده قابلیت کشف و تعیین خودکار نواحی ناهنجاری ماموگرام که کاندید توده پستانی هستند را نشان می دهد. از روش پیشنهادی می تواند به عنوان گام اول همه سیستم های cad سرطان پستان استفاده نمود و یا به رادیولوژیست در تشخیص بهتر کمک کند.

Breast abnormalities segmentation using the wavelet transform coefficients aggregation

Introduction: Breast cancer is the most common cancer among women in the world. The automatic detection of masses in digital mammograms is a challenging task and a major step in the development of breast cancer CAD systems. In this study, we introduce a new method for automatic detection of suspicious mass candidate (SMC) regions in a mammogram.Methods: Mammography is widely used for the early detection and diagnosis of breast cancer. Extracting the region of interest (ROI) helps to locate the abnormal areas, which may be analyzed further by a radiologist or a CAD system. In this study, we propose a new method for ROI detection in mammography images. After preprocessing the mammogram, an aggregation of discrete wavelet coefficients based on the lifting scheme and the texture characteristics of the mammogram was created. Then, the coefficients were optimized through noise removal and morphological operations, and a canny edge detector was used to segment the mammogram. Finally, to overcome the problem of over segmentation or under segmentation, reduce the falsenegative rate, and enhance the detected regions, we used splitting and merging method. The proposed method was evaluated using images from the DDSM database.Results: Sensitivity, , , and FPI were calculated to be 100%, 86.5%, 56%, and 5.4, respectively.Conclusion: Experimental results indicate that the proposed method is able to detect and identify the abnormal regions of the mammogram that are candidates for breast masses. This technique could potentially improve the performance of CAD systems and diagnosis accuracy in mammograms and can be useful for medical staff and students.