Unsupervised Mammograms Segmentation

0317588 - ÚTIA 2010 RIV US eng C - Conference Paper (international conference)
Haindl, Michal - Mikeš, Stanislav
Unsupervised Mammograms Segmentation.
[Neřízená segmentace mamogramů.]
Proceedings of the 19th International Conference on Pattern Recognition. Los Alamitos: IEEE Press, 2008, s. 676-679. ISBN 978-1-4244-2174-9.
[19th International Conference on Pattern Recognition. Tampa (US), 07.12.2008-11.12.2008]
R&D Projects: GA AV ČR 1ET400750407; GA MŠMT 1M0572; GA AV ČR IAA2075302
EU Projects: European Commission(XE) 507752 - MUSCLE
Grant - others:GA MŠk(CZ) 2C06019
Institutional research plan: CEZ:AV0Z10750506
Keywords : mammography * cancer detection * image unsupervised segmentation * Markov random fields
Subject RIV: BD - Theory of Information
http://library.utia.cas.cz/separaty/2008/RO/haindl-unsupervised mammograms segmentation.pdf

We present a multiscale unsupervised segmenter for automatic detection of potentially cancerous regions of interest containing fibroglandular tissue in digital screening mammography. The mammogram tissue textures are locally represented by four causal multispectral random field models recursively evaluated for each pixel and several scales. The 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. The performance of the presented method is verified on the Digital Database for Screening Mammography (DDSM) from the University of South Florida as well as extensively tested on the Prague Texture Segmentation Benchmark and compares favourably with several alternative unsupervised texture segmentation methods.

Článek prezentuje víceměřítkovou neřízenou metodu automatické segmentace pro rozpoznávání potenciálně rakovinných oblastí zájmu, které obsahují fibrozně-žlázovitou tkáň, z digitálních roentgenových mamogramů. Mamografické tkáňové textury jsou lokálně reprezentovány čtyřmi kauzálními modely náhodných polí rekurzivně odhadovanými pro každý pixel. Segmentační část metody je založená na gaussovském směsovém modelu. Segmentace začíná z přesegmentovaného odhadu, který se adaptivně mění, až se dosáhne optimální počet homogenních oblastí mamogramu. Vlastnosti publikované metody jsou rozsáhle ověřovány 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.
Permanent Link: http://hdl.handle.net/11104/0167195