Categorization of medical images with modern techniques of visual and image processing methods.
Φόρτωση...
Ημερομηνία
2020-05-07
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛ.ΜΕ.ΠΑ., ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Η.Μ.U, School of Engineering (ScENG), Electrical and Computer Engineering Dept
Η.Μ.U, School of Engineering (ScENG), Electrical and Computer Engineering Dept
Επιβλέπων
Περίληψη
Mammogram-based diagnosis of breast cancer is hard especially in high tissue density areas of the breast. In addition, Additionally, breast density type has been linked with increased risk of breast cancer calling for automated breast-density scoring tools. In this thesis, we aim to automatically classify breast density for the purpose of assisting the clinician to assess high density breasts that potentially have hidden neoplasms. The proposed methodology involves a variety of advanced techniques such as Otsu thresholding, K-Means clustering etc., for image processing, Gabor Filters and LBP for texture analysis, HOG, SURF, and SIFT for orientation/salient point extraction analysis and machine learning algorithms (for feature selection (NCA), model training (LDA) and prediction(LDA)). The results of our method using several configurations are presented for the MIAS public mammogram database.
Η διάγνωση καρκίνου του μαστού με βάση μαστογραφία είναι δύσκολη, ειδικά σε περιοχές με υψηλή πυκνότητα ιστού του μαστού. Επιπλέον, η κατηγορία πυκνότητας του μαστού έχει συνδεθεί με αυξημένο κίνδυνο εμφάνισης καρκίνου του μαστού που απαιτεί αυτοματοποιημένα εργαλεία βαθμολόγησης της πυκνότητας του μαστού. Σε αυτή τη διατριβή, στοχεύουμε στην αυτόματη ταξινόμηση της πυκνότητας του μαστού με σκοπό να βοηθήσουμε τον κλινικό για να αξιολογήσει μαστογραφίες υψηλής πυκνότητας που πιθανώς έχουν κρυμμένα νεοπλάσματα. Οι προτεινόμενη μεθοδολογία περιλαμβάνει μια ποικιλία προηγμένων τεχνικών όπως η κατάτμηση Otsu, η ομαδοποίηση K-Means κλπ., για την επεξεργασία εικόνων, τα φίλτρα Gabor και LBP για ανάλυση υφής, οι τεχνικές HOG, SURF και SIFT, για ανάλυση και εξόρυξη χαρακτηριστικών καθώς και αλγορίθμων μηχανικής μάθησης (Επιλογή χαρακτηριστικών (NCA), κατάρτιση μοντέλων (LDA), πρόβλεψη (LDA)). Τα αποτελέσματα της μεθόδου μας χρησιμοποιώντας διάφορους συνδυασμούς αλγορίθμων, παρουσιάζονται για την δημόσια βάση δεδομένων μαστογραφιών MIAS.
Η διάγνωση καρκίνου του μαστού με βάση μαστογραφία είναι δύσκολη, ειδικά σε περιοχές με υψηλή πυκνότητα ιστού του μαστού. Επιπλέον, η κατηγορία πυκνότητας του μαστού έχει συνδεθεί με αυξημένο κίνδυνο εμφάνισης καρκίνου του μαστού που απαιτεί αυτοματοποιημένα εργαλεία βαθμολόγησης της πυκνότητας του μαστού. Σε αυτή τη διατριβή, στοχεύουμε στην αυτόματη ταξινόμηση της πυκνότητας του μαστού με σκοπό να βοηθήσουμε τον κλινικό για να αξιολογήσει μαστογραφίες υψηλής πυκνότητας που πιθανώς έχουν κρυμμένα νεοπλάσματα. Οι προτεινόμενη μεθοδολογία περιλαμβάνει μια ποικιλία προηγμένων τεχνικών όπως η κατάτμηση Otsu, η ομαδοποίηση K-Means κλπ., για την επεξεργασία εικόνων, τα φίλτρα Gabor και LBP για ανάλυση υφής, οι τεχνικές HOG, SURF και SIFT, για ανάλυση και εξόρυξη χαρακτηριστικών καθώς και αλγορίθμων μηχανικής μάθησης (Επιλογή χαρακτηριστικών (NCA), κατάρτιση μοντέλων (LDA), πρόβλεψη (LDA)). Τα αποτελέσματα της μεθόδου μας χρησιμοποιώντας διάφορους συνδυασμούς αλγορίθμων, παρουσιάζονται για την δημόσια βάση δεδομένων μαστογραφιών MIAS.