Αυτοματοποιημένη ανάλυση ψηφιοποιημένων μαστογραφιών για την αναγνώριση παθολογικών ευρημάτων

Abstract

In this thesis we propose a new algorithm for the detection of clustered microcalcifications in digital mammographic images, based on mathematical morphology and artificial neural networks. Mathematical morphology provides tools for the extraction of microcalcifications even if the microcalcifications are located on a non-uniform background Considering each mammogram as a topographic representation, each microcalcification appears as elevation constituting a regional maxima. Morphological filters are applied, in order to remove noise and regional maxima that do not correspond to calcifications. Each suspicious object is marked using a binary image. The original mammogram is used for the final feature extraction step. We review the performance of three multi layer perceptrons (MLP) and a radial basis function neural network (RBFNN) for the classification step of the proposed method. The MLP and the RBFNN achieved a true positive detection rate of 94,7%. Using the MLP we achieved the best false positive detection rate among all classifiers examined. Specifically, the RBFNN achieved a false positive rate of 0.93% while the MLP a false positive rate of 0.27% per image.

Σκοπός αυτής της διατριβής είναι η ανάπτυξη ενός αυτόματου υπολογιστικού συστήματος για τον εντοπισμό αποτιτανώσεων σε ψηφιοποιημένες μαστογραφίες. Για την ανάπτυξη του συστήματος χρησιμοποιήθηκαν τεχνικές μορφολογικής επεξεργασίας εικόνας και νευρωνικά δίκτυα. Για την αξιολόγηση του αλγόριθμου χρησιμοποιήθηκαν μαστογραφίες από τη βάση δεδομένων της MIAS ( Mammographic Image Analysis Society). Κατά την ανάπτυξη της μεθόδου δοκιμάστηκαν πολλά νευρωνικά δίκτυα διαφορετικών αρχιτεκτονικών, τα οποία όμως δεν παρουσίασαν ικανοποιητικά αποτελέσματα. Τελικά χρησιμοποιήθηκαν δύο τύποι νευρωνικών δικτύων, τρία δίκτυα προώθησης (Multi Layer Perceptron) και ένα δίκτυο Radial Basis Function. Τα δίκτυα αυτά παρουσίασαν πολύ ικανοποιητικά αποτελέσματα σε σχέση με αυτά που έχουν αναφέρει άλλοι ερευνητές στο παρελθόν. Συγκεκριμένα, το σύστημα παρουσίασε ευαισθησία 94,7% με 0.27 ψευδώς θετικά ανά μαστογραφία. Για την μελέτη της επίδοσης του συστήματος χρησιμοποιήθηκε η καμπύλη FROC. Η καμπύλη FROC (Free response operating characteristic) περιγράφει την ευαισθησία σε συνάρτηση με τη μέση τιμή των ψευδώς θετικών ευρημάτων ανά εικόνα.