乳房x光检查的研究微钙化帮助肿瘤检测使用基于人工神经网络的分类器

B.Vijayalakshmi¹,r . Bhanumathi²广义相对论,苏雷什³

PG学生,CSE称,阿波罗Priyadarshanam理工学院,Tamilnadu,印度
助理教授,CSE称,阿波罗Priyadarshanam理工学院,Tamilnadu,印度
教授,ECE称,Easwari工程学院,Tamilnadu、印度

文摘

在乳房x光成像中,一群微钙化显示乳腺癌的早期迹象。一个准确和高效的分类方案需要检测的肿瘤在乳房x光片。Computer-Aided-Detection (CAD)系统自动检测肿瘤的微钙化簇在乳房x线照片是本文中讨论。放射科医生诊断的方法是非常有用的肿瘤和执行速度比典型的筛查项目。收集到的图像从乳腺图像分析社会(mia)数据库实现。局部二元模式的特征提取和分类使用安。该方案提供了高精度微钙化的分类。

关键字

应用灰度共生矩阵建立人工神经网络,局部二进制模式,微钙化,纹理。

介绍

多年来,癌症在人类生命的最大威胁之一,因癌症而死亡预计将增加在未来2030年估计有1200万人死于癌症。治疗乳腺癌的早期阶段可以显著提高患者的生存率。乳房x光检查是目前最敏感的方法检测早期乳腺癌。回顾性研究表明,放射科医生可以很大一部分的检测异常小姐除了高的误报率。放射科医生在乳腺癌筛查的敏感性估计是只有75%。为了提高解释的准确性,各种各样的计算机辅助检测技术(CAD)。在真正的意义上,恶性肿瘤[1]或良性的,其类型和癌症侵入性和非侵入性的检测阶段是一个很模糊的决策。良性肿瘤是“肿瘤细胞分化良好型的”,稍有不同的外观和行为的组织来源。恶性癌症通常用于描述一个增长迅速,能够蔓延到全身。检测乳腺癌进行乳房x光检查和超声成像(USG)。 Microcalcifications (MCCs) clusters are one of the important radiographic indications related to breast cancer because they are present in 30%–50% of cancers found mammographic ally MCCs are tiny bits of calcium that may show up in clusters or in patterns (like circles) and are associated with extra cell activity in breast tissue. Scattered microcalcifications are usually a sign of benign breast tissue. MCCs appear as small bright arbitrarily shaped regions on the large variety of breast texture background and characterize early breast cancer are detectable in mammograms shown in Fig1. For MCCs, the interpretations of their presence are very difficult because of its morphological features. The dense tissues especially in younger women may easily be misinterpreted as MCCs due to film emulsion error, digitization artefacts or anatomical structures such as fibrous strands, breast borders or hypertrophied lobules that almost similar to MCCs. Other factors that contribute to the difficulty of MCCs detection are due to their fuzzy nature, low contrast and low distinguish ability from their surroundings.

然而,钙化灶检测从乳房x线照片可能是麻烦的。为了克服这个问题,CAD开发提高放射科医生的诊断准确性和一致性的图像解释。伊萨姆埃尔Naqa等[2]提出,支持向量机分类器用来自动检测监控化学品的存在在乳房x光检查使用两类模式分类定位的位置乳房x光检查。托马斯Arodza等[3]使用CAD系统技术,过滤的原始图像与钙化灶对比形状,提高小波锐化算法和可视化分析。评估系统极大地提高了检测的微钙化物质在小区域数字乳房x光检查。阿兰Tiedeu等[4]提出集群在乳房x光成像中查出的微钙化物质是基于纹理分析。Ryohei Nakayama等[5]提出了一个计算机辅助诊断方案使用滤波器组技术与海赛矩阵分类数控(结节性组件)和缴送工作(结节性和线性组件)。Alolfe等[6]提出了基于小波分析的计算机辅助诊断系统。计算机辅助诊断系统,可以非常有用的诊断微钙化物质的早些时候在数字化乳房x光成像模式和速度比典型的筛查项目。

纹理特性已被广泛用于乳房x光检查分类。纹理特征有能力区分异常和正常的情况下。它可以作为灰色水平的空间分布特征[1,2]。提取纹理特征提供信息图像的结构特征。不同的分类器是用于医疗成像应用程序包括人工智能、小波等纹理特征已经从提取的枸杞多糖图像测量和作为参数来提高分类结果与安。安的性能分析与再和SVM分类器相比本文中讨论。

二世。方法

拟议的框架方法是图2所示。

的步骤如下:

1。米娅从数据库收集图片。

2。256 x256像素的图像的ROI提取1024 x1024像素图像。预处理是用来消除噪声和增强执行改善调整的形象

3所示。特征提取使用本地二进制模式。

4所示。基于纹理特性(强度特性应用灰度共生矩阵建立(意思是,标准偏差)和基础功能(能量、熵、相关和同质性)测量。分类是基于人工神经网络的分类器来执行的。

答:数据收集

很难获得真正的医学图像实验由于隐私问题。从乳腺图像分析收集的数据是社会(mia)由322年的图像,属于三类:正常、良性和恶性,这被认为是不正常的。所有图像数字化图像的分辨率为1024×1024像素和八位精度(灰度)。现有的数据集合中包含的位置异常(如肿瘤周围的一圈的中心),其半径,乳房位置(左或右),类型的乳腺组织(脂肪,fattyglandular和密度)和肿瘤类型如果存在(良性或恶性)。该方法只关注微钙化的良性和恶性的图像异常和正常的乳房x光成像。

b . ROI提取

因为所有乳房x光图像的部分不需要检测microclassification集群,ROI提取某些部分是必要的。使用任何异常的地方提供的米娅对于每一个乳房X光检查,256×256像素大小的ROI提取通过输入的坐标X, Y和像素半径。然后图像分为两组分别训练集和测试集。乳房x光检查的ROI提取部分良性和恶性图3所示。

c预处理和增强

乳房x光成像是医学图像难以解释,因此需要预处理阶段为了提高图像质量,使分割结果更准确。第一步包括去除噪声和多余的部分在乳房x线照片的背景。然后,可以用于提高图像增强操作的外观图像,消除噪声或错误,或强调某些特性在一个图像。过程检测可疑病变的结果包含监控化学品,和一些噪音。减少的签名不是监控化学品,执行一系列形态学操作过滤的图像。

原始图像的平滑和减去一个增强对比度图像。对比度增强技术增加对比的输入值强度图像映射到新值,1%的数据是在低和高饱和强度的输入数据。高斯过滤器是用来光滑的原始图像,减弱尽可能MCC的信号,同时保留最好的乳腺组织的信号。自适应技术是用来隔离监控化学品从他们眼前的环境而不是从不同的地区可能会有不同的浓度水平。内核使用23个像素的大小,以便监控化学品大于1.2毫米的大小由背景校正消除的过程。减像素明智smoothed-image contrastenhanced图像,背景(乳腺组织)强烈衰减。差分图像D (i, j)这里获得以上使用局部自适应阈值算法的关键。一个矩形窗口集中在一个像素坐标的D (i, j) hbin wbin宽度和高度的像素(i, j)在结果图像位isBI (i, j)计算:

d .特征提取

这是一种降维的方法在医学图像处理。当输入数据处理算法太大,怀疑是多余的。必须转换成一组表示减少的特性。的功能是用来从输入数据中提取相关信息来执行所需的任务。

1)局部二进制模式

局部二进制模式啊perator是一个简单但非常有效的纹理运营商标签图像的像素的阈值附近的每个像素与中心像素的值并把结果转换成一个二进制数。最初的枸杞多糖的方法是一个互补的测量为当地形象的对比。枸杞多糖提取纹理特征在空间域。枸杞多糖的值确定为:

在哪里

预处理,增强乳房x光检查图像提取使用局部二进制模式及其形象和直方图图5所示分别为(a)和(b)。

2)结构特点:-

基于强度应用灰度共生矩阵建立功能和特性测量分析性能。基于强度的特性是一阶统计只取决于个人的像素值。乳房x光检查内部的强度及其变化等特性可以测量的平均值和标准偏差使用40样本的乳房x光片。应用灰度共生矩阵建立灰度共生矩阵法()纹理测量方法来分析图像纹理(5、6)。它是一个可靠的方法,计算了第一和第二顺序从图像纹理特征。纹理特征计算:

1)平均值:意思是给图像的平均亮度值。乳腺图像包含微钙化有更高的意思是比正常的图像。它是计算如下:

e .分类

安分类的过程是学习独立的样本分成不同的类通过寻找样本已知的类之间的共同特征。它由输入层、隐藏层和输出层的一组样本可能从切片两种不同肿瘤类型,及其基因表达水平来衡量。因为做出预测未知样品通常是用作测试安分类器的方法。使用两层前馈网络。图像的训练集与测试集的图像和肿瘤中发现这些图像进行分类。用于分类的分类器是正常或异常的肿瘤检测微钙化物质的乳房x光检查图像。

三世。结果和讨论

对实现322年的米娅数据集图像、脂肪、密度和腺体组织的图像正常(40)和钙化灶异常的严重程度良性或恶性(40)的1024 x1024像素图像被认为是。这些图像归一化256 x256感兴趣的像素区域和存储分别作为训练和测试组。预处理和增强应用于去除噪声和人工制品,提高图像的效率。本地二进制应用模式和灰度同现矩阵应用灰度共生矩阵建立()特性和强度特性,比如测量平均值和标准偏差。的分类是使用安,执行创建网络,训练了一些样品和测试与剩余的样品。结果解释在混淆矩阵如表2所示。混淆矩阵描述了该方法的实际和预测类。它包含的信息样本与正常和恶性乳腺图像的一部分。

许多不同的措施一般用来评估该方法的性能。这些措施包括精度、灵敏度、特异性和精密计算通过混淆矩阵方程10。它返回一个值从1(逆预测)+ 1(完美的预测)。

建议的方法的性能测量和比较表3中与其他分类器的配方及其性能指标分析描述了图6所示。这表明精度为96.25%,特异性为92.50%,敏感性为97.5%,精度为93.02%安分类器。它显示,更好的准确度和精密度分类率,相比再(事例)和支持向量机(SVM)分类器。

结论

医学影像是指把人体为了诊断、监测或治疗疾病。乳腺癌已成为全球公共卫生问题的女性。使用枸杞多糖提取的特性提供统计功能。应用灰度共生矩阵建立纹理等特征特性和测量平均值和标准偏差和乳房x线照片使用ANN分类器的分类。提出的实验结果表明,与其他几种方法相比96.25%的乳房x光成像中微钙化检测。监控化学品的高分类精度得到安提出的分类器可以帮助放射科医生在一个精确的诊断决策,从而减少不必要的活检。它将表明,提出的系统执行比现有的更好的检测系统灵敏度方面和分类率。

引用

w .李阳,y Yongyi:罗伯特,j . Yulei”在几个机器学习分类方法研究恶性和良性集群微钙化物质,“IEEE医学成像,24卷(3),2005年3月。
伊萨姆El-Naqa Yongyi杨,英里n .理解力,“支持向量机学习检测微钙化物质在乳房x光成像”,IEEE生物医学成像技术国际研讨会,2002。
托马斯Arodza,戈Kurdziel”检测集群微钙化小领域的数字乳房x光检查”,爱思唯尔计算机方法和程序的生物医学》杂志上的81年,2005年,pp.56 - 65。
阿兰Tiedeu,基督教Daul Texture-based分析集群在乳房x光成像中查出的微钙化物质”,爱思唯尔《数字信号处理,工程系(1),2012年1月,pp.124 - 132。
Ryohei Nakayama Yoshikazu中山教授,“计算机辅助诊断计划使用滤波器组检测乳房x光成像中微钙化簇”,IEEE生物医学工程、53卷(2),2006年2月,pp.273 - 283。
m·a·Alolfe a . m .优素福”,基于小波分析的计算机辅助诊断系统数字乳房x线照片”中微钙化检测,IEEE生物医学工程会议,2008年12月。
萨米尔Kumar Bandyopadhyay乳房x光图像的预处理,国际工程科学与技术杂志》,卷2(11),2010年,pp.6753 - 6758。
诉萨拉瓦南,S。Pitchumani Angayarkanni”小说在核磁共振方法对癌症检测乳房x光检查使用决策树归纳和症”,国际期刊的图像处理(IJIP), 4(6)卷,pp.661 - 668。
Vishnukumar k·帕特尔教授Syed Uvaid a·c·Suthar教授“乳腺癌的乳房x光检查detectionBased使用图像增强算法”,国际期刊的新兴技术和先进的工程,二(8),2012年8月,页143 - 147。
Dheeba。J, Wiselin集集。G”,发现乳房x光成像中微钙化簇使用神经网络”,国际先进的科学和技术杂志Vol.19, 6月,2010年,pp.13-22。
Fatima Eddaoudi, Fakhita Regragui,“微钙化物质检测乳腺图像使用纹理编码”,应用数学科学卷5(8),2011年,页381 - 393。
Jawad Nagi、Sameem Abdul Kareem Farrukh Nagi, Syed Khaleel Ahmed“ROI检测自动化的乳房轮廓分割使用数字乳房x线照片”,IEEE磨床生物医学工程和科学会议(2010年IECBES),吉隆坡,马来西亚,11月30日——2010年12月2日,第87 - 92页。
a . k . Jain,“数字图像处理原理”,恩格尔伍德悬崖,普伦蒂斯霍尔出版社,1989。
拉斐尔·冈萨雷斯,理查德·E·伍兹史蒂文·l·埃丁使用MATLAB数字图像处理,第二版,培生教育,新加坡,2005年。
M。诉Subbiah Bharathi Vasantha,“医学图像特征提取和分类选择”,国际工程科学与技术》杂志(6),2010,pp。2071 - 2076。
R.Nithya B。桑德拉让”,比较研究特征提取,乳腺癌分类”方法,理论和应用信息技术杂志,vol.33(2), 2011年,页220 - 224。
彼得•麦克劳德Brijesh Verma Alan Klevansky“良性和恶性模式分类数字乳房x光检查对乳腺癌的诊断”,专家系统与应用程序,37岁,2010年,pp.3344 - 3351。