MAMOGRAFİ NORMALİZASYONUNUN SINIFLANDIRMA PERFORMANSI ÜZERİNDEKİ ETKİLERİ
Loading...
Date
2018
Journal Title
Journal ISSN
Volume Title
Publisher
Düzce Üniversitesi
Access Rights
info:eu-repo/semantics/openAccess
Abstract
Bilgisayardestekli teşhis için dijital mamogramların belirli ön-işlemlerden geçirilmesigerekmektedir. Önişleme mamografi imgelerinde gürültü temizleme ve yapayolguları kaldırma amacıyla yapılmaktadır. Önişlemden geçen mamogram imgeleriçeşitli tekniklerle ve çeşitli sınıflandırıcılarla anomali bulguları içinişlenmektedir. Bu çalışmanın amacı uygulanan çeşitli önişleme adımlarının, dokusalözellikler kullanılarak sınıflandırma sonuçlarına etkisini incelemektir. Çalışmadagerçekleştirilen önişleme algoritmasında MIAS (The Mammographic Image AnalysisSociety) veri tabanına ait mamogramlar ortanca süzgeç ile küçük gürültülerden,eşikleme yöntemleri ve morfolojik işlemler ile yapay gürültülerden ve pektoralkastan temizlenmiştir. Temizlenen imgeler 512×256 piksel boyutlarınagetirilmiş, son olarak ise kontrast sınırlı adaptif histogram eşitleme (CLAHE)yöntemi ile normalizasyon sağlanmıştır. Sunulançalışmada mamogram görüntüleri 4 farklı gruba ayrılmıştır:Grup 1: özgünMIAS veri tabanından alınan, önişleme tabi tutulmamış mamogram görüntüleriGrup 2: gürültülerden ve pektoral kastan temizlenmişmamogram görüntüleriGrup 3: temizlenmiş ve boyutu 256x512’ye sabitlenmiş mamogram görüntüleriGrup 4: temizlenmiş, boyutlandırılmış ve kontrast eşitlenmiş mamogram görüntüleri Herbir grup mamogram görüntülerinden yaygın olarak kullanılan birinci dereceden özelliklerhesaplanarak DVM (Destek Vektör Makineleri) sınıflandırıcıya uygulanmıştır.Sınıflandırma sonuçlarına göre önişleme adımlarından gürültülerin ve pektoralkasın temizlenmesi en iyi sonucu vermiştir.
Digital mammograms should be preprocessedfor computer-aided diagnosis. The aims of preprocessing are denoising and eliminatingof artifacts. Mammograms are computing by different techniques and classifiers,after preprocessing step. The purpose of this study is the evaluation of theclassification rates with first order textural features by different preprocessingsteps. In the study digitalmammograms are taken from MIAS database. The algorithm of the preprocessingstep of this study includes noise clearance by median filter and artifact noiseand pectoral muscle elimination by threshold techniques and morphologicaloperations. Denoised images are normalized by a size of 512x256 pixels. Then, contrast-limitedadaptive histogram equalization (CLAHE) is applied. In proposed study, mammogramimages divided into 4 groups. Group 1: Original MIAS mammograms, without anypreprocessing operationGroup 2: Mammogramsthat are cleaned noises and pectoral musclesGroup 3: Thedimension normalized mammograms at 512x256 pixelsGroup 4: CLAHEapplied mammograms For each group mammogramscommonly used features are extracted and SVM classifier are used. According toclassification results, the best classification rate is implemented by noiseand pectoral muscle are eliminated groups (Group 2).
Digital mammograms should be preprocessedfor computer-aided diagnosis. The aims of preprocessing are denoising and eliminatingof artifacts. Mammograms are computing by different techniques and classifiers,after preprocessing step. The purpose of this study is the evaluation of theclassification rates with first order textural features by different preprocessingsteps. In the study digitalmammograms are taken from MIAS database. The algorithm of the preprocessingstep of this study includes noise clearance by median filter and artifact noiseand pectoral muscle elimination by threshold techniques and morphologicaloperations. Denoised images are normalized by a size of 512x256 pixels. Then, contrast-limitedadaptive histogram equalization (CLAHE) is applied. In proposed study, mammogramimages divided into 4 groups. Group 1: Original MIAS mammograms, without anypreprocessing operationGroup 2: Mammogramsthat are cleaned noises and pectoral musclesGroup 3: Thedimension normalized mammograms at 512x256 pixelsGroup 4: CLAHEapplied mammograms For each group mammogramscommonly used features are extracted and SVM classifier are used. According toclassification results, the best classification rate is implemented by noiseand pectoral muscle are eliminated groups (Group 2).
Description
Keywords
Dijital Mamografi, Pektoral Kas, Dokusal Özellikler, Destek Vektör Makineleri, MIAS, Digital mammography, Pectoral Muscle, Textural Features, Support Vector Machines, MIAS
Journal or Series
İleri Teknoloji Bilimleri Dergisi
WoS Q Value
Scopus Q Value
Volume
7
Issue
1
