Unsupervised Detection of Mammogram Regions of Interest

0085867 - ÚTIA 2008 RIV DE eng J - Článek v odborném periodiku
Haindl, Michal - Mikeš, Stanislav - Scarpa, G.
Unsupervised Detection of Mammogram Regions of Interest.
[Neřízené rozpoznávání oblastí zájmu na mamogramech.]
Lecture Notes in Computer Science. Roč. 2007, Č. 4694 (2007), s. 33-40. ISSN 0302-9743.
[Knowledge-Based Intelligent Information and Engineering Systems. Vietri sul Mare, 12.09.2007-14.09.2007]
Grant CEP: GA AV ČR 1ET400750407; GA MŠMT 1M0572; GA AV ČR IAA2075302
GRANT EU: European Commission(XE) 507752 - MUSCLE
Grant ostatní: GA MŠk(CZ) 2C06019
Výzkumný záměr: CEZ:AV0Z10750506
Klíčová slova: Unsupervised segmentation * mammography * Markov random fields
Kód oboru RIV: BD - Teorie informace
Impakt faktor: 0.402, rok: 2005
http://dx.doi.org/10.1007/978-3-540-74829-8_5

We present an unsupervised method for fully automatic detection of regions of interest containing fibroglandular tissue in digital screening mammography. The unsupervised segmenter is based on a combination of several unsupervised segmentation results, each in different resolution, using the sum rule. The mammogram tissue textures are locally represented by four causal monospectral random field models recursively evaluated for each pixel. The single-resolution segmentation part of the algorithm is based on the underlying Gaussian mixture model and starts with an over segmented initial estimation which is adaptively modified until the optimal number of homogeneous mammogram segments is reached.

Článek prezentuje neřízenou metodu rozpoznávání umožňující zcela automatickou detekci oblastí zájmu, které obsahují fibrozně-žlázovitou tkáň, z digitálních roentgenových mamogramů. Neřízená segmentační metoda kombinuje několik neřízených segmentačních výsledků, každý v jiném rozlišení, pomocí sumačního pravidla. Mamografické tkáňové textury jsou lokálně reprezentovány čtyřmi kauzálními modely náhodných polí rekurzivně pro každý pixel. Segmentační část metody pro jedno měřítko je založena na gaussovském směsovém modelu a začíná z přesegmentovaného odhadu, který se adaptivně mění, až se dosáhne optimální počet homogenních oblastí. Vlastnosti publikované metody jsou rozsáhle testovány na Digital Database for Screening Mammography (DDSM) z University of South Florida a na Prague Texture Segmentation Benchmark pomocí nejpoužívanějších segmentačních kriterií. Metoda dosahuje lepší výsledky než několik alternativních testovaných texturních segmentačních metod.
Trvalý link: http://hdl.handle.net/11104/0148287