Ανάλυση και αναζήτηση ιατρικών μαστογραφικών εικόνων

Abstract

In this thesis two CAD systems are presented. The first system proposed is a fully automated segmentation and classification scheme for mammograms based on breast density estimation and detection of asymmetry. First, image preprocessing and segmentation techniques are applied. Features for breast density categorization are extracted and SVMs are employed for classification, achieving accuracy of up to 85.7%. Most of these properties are used to extract a new set of statistical features for each pair of breast, in order to detect breast asymmetry. The use of an one-class SVM classifier, resulted in a success rate of 84.47%. This composite methodology has been applied to the miniMIAS database. The results were evaluated and are very promising, showing equal or higher success rates compared to other related works, despite the fact that some of them used only selected portions of this specific mammographic database. The second system proposed is an experimental "morphological analysis" retrieval system for mammograms, using Relevance-Feedback techniques. The features adopted are first-order statistics of the Normalized Radial Distance, extracted from the annotated mass boundary. The system is evaluated on a dataset of 2274 masses of the DDSM database, which involves 7 distinct classes. The experiments verify that the involvement of the radiologist as part of the retrieval process improves the results, reaching the precision rate of almost 90%. Therefore, Relevance-Feedback can be employed as a useful complementary tool to a CAD system

Στην παρούσα διατριβή παρουσιάζονται δύο CAD συστήματα. Το πρώτο από αυτά αφορά σε ένα πλήρως αυτοματοποιημένο σχήμα κατάτμησης και ταξινόμησης μαστογραφικών εικόνων, με κριτήριο την πυκνότητα του μαζικού παρεγχύματος και την ύπαρξη ασυμμετρίας μεταξύ του ζεύγους μαστών. Αρχικά, εφαρμόζονται τεχνικές προ-επεξεργασίας και κατάτμησης. Στη συνέχεια, εξάγονται χαρακτηριστικά για την εύρεση του μαζικού παρεγχύματος, ενώ η ταξινόμηση πραγματοποιείται με τη βοήθεια των SVM και φθάνει το ποσοστό επιτυχίας του 85.7%. Τα ήδη υπολογισμένα χαρακτηριστικά χρησιμοποιούνται και για την εύρεση πιθανής ασυμμετρίας μεταξύ του ζεύγους μαστών και ο ταξινομητής που υιοθετείται είναι ο one-class SVM, επιτυγχάνοντας ποσοστό επιτυχίας 84.47%. Το συγκεκριμένο σχήμα εφαρμόστηκε στις εικόνες της βάσης miniMIAS. Τα αποτελέσματα αξιολογήθηκαν και επιτυγχάνουν όμοια ή ακόμη και υψηλότερα ποσοστά επιτυχίας σε σχέση με τις σχετικές εργασίες της βιβλιογραφίας, παρόλο που μερικές από αυτές χρησιμοποιούν υποσύνολο εικόνων της ίδιας βάσης. Το δεύτερο σύστημα είναι ένα σύστημα ανάκτησης μαστογραφικών εικόνων, όπου υλοποιούνται τεχνικές ανατροφοδότησης συνάφειας (RF). Τα χαρακτηριστικά είναι στατιστικές πρώτης τάξης της Κανονικοποιημένης Ακτινικής Απόστασης (NRD) του δοθέντος περιγράμματος των μαζών. Το σύστημα αξιολογείται σε ένα πλήθος από 2274 μαστογραφικές εικόνες της βάσης DDSM, που ανήκουν σε 7 διαφορετικές κλάσεις. Τα πειράματα επιβεβαιώνουν ότι η ενσωμάτωση του ακτινολόγου στη διαδικασία ανάκτησης βελτιώνουν τα αποτελέσματα, προσεγγίζοντας το ποσοστό επιτυχίας του 90%. Συνεπώς, η τεχνική του RF δύναται να υιοθετηθεί ως ένα βοηθητικό εργαλείο σε ένα CAD σύστημα