بهبود کیفیت تصاویر ماموگرافی با استفاده از تکنیکهای پردازش تصویر
محورهای موضوعی : پردازش چند رسانه ای، سیستمهای ارتباطی، سیستمهای هوشمند
1 - استادیار دانشگاه زنجان، گروه مهندسی برق و کامپیوتر
2 - دانشجو کارشناسی ارشد، رشته برق، گرایش الکترونیک دیجیتال، دانشگاه آزاد اسلامی واحد زنجان، ایران
کلید واژه: تبدیل کرولت, تبدیل کانتورلت, بهبود کیفیت تصویر ماموگرافی, استخراج ویژگی,
چکیده مقاله :
با توجه به گسترش ابتلا به سرطان سینه، تشخیص زود هنگام آن از روی تصاویر ماموگرام با استفاده از روشهای کامپیوتری، بعنوان روشی موثر در جهت کاهش میزان مرگ و میر بیماران مورد توجه قرار گرفته است. از این رو در این پژوهش روشی مبتنی بر تکنیکهای پردازش تصویر جهت بهبود کیفیت تصاویر ماموگرافی ارائه شده است. از این رو در این پژوهش در جهت ایجاد یک سیستم پزشکیار، سعی در بهبود کیفیت تصاویر ماموگرافی با تکنیک های پردازش تصویر داریم. این پژوهش دارای دو مرحله پیش پردازش شامل یکسان سازی ابعاد و تعدیل هیستوگرام تصاویر و مرحلهی استخراج ویژگی با استفاده از تبدیلهای کانتورلت و کرولت از تصاویر ماموگرافی است که سه دسته ویژگی ریختشناسی و بافت شناسی، آماری و فرکانسی را جهت بهبود تشخیص ارائه مینماید و سبب افزایش صحت تشخیص میشود. روش بهبود پیشنهادی روی مجموعه داده MIAS اجرا شد و زیر مجموعه ای از ویژگیهای استخراج شده برای ورودی طبقهبند انتخاب گردید. بامقایسه عملکرد روش پیشنهادی روی طبقهبندهای مختلف، این روش میزان صحت 86.3 را نشان میدهد که نسبت به بقیه روشها نتیجه بهتری میباشد.
Abstract: Due to the spread of breast cancer, its early detection from mammogram images using computerized methods have been considered an effective method to reduce the death rate of patients.In this research, a method based on image processing techniques is presented to improve the quality of mammography images. Therefore, in this research, we try to improve the quality of mammography images with image processing techniques to create a medical system. The research has two stages of pre-processing, including equalizing the dimensions and adjusting the histogram of the images, and a stage of feature extraction using Contourlet and Curlet transforms from mammography images, which provides three categories of morphological and histological, statistical, and frequency features to improve diagnosis. And it increases the accuracy of diagnosis. The proposed improvement method was implemented on the MIAS dataset and a subset of the extracted features was selected for the input of the classifier. Comparing the performance of the proposed method on different classifications, this method shows an accuracy rate of 86.3, which is a better result than other methods.MethodThis research is looking for a method that can improve the accuracy of the final diagnosis. Therefore, after the pre-processing stage, which includes rescaling and adjusting the texture of the image, highlighter transforms in the frequency domain such as Curvelet and Contourlet are used to highlight and increase the differentiation of areas with masses in the image for decision-making.Local features based on image zoning are used for image segmentation, and these methods are also used to increase the contrast of mammogram images concerning their surroundings. The improvement methods used in this research use features based on the wavelet domain.ResultsThe input image to the system is subjected to the feature extraction process and three main categories of frequency, morphology, and histology features are extracted from it. This process is done through the cycle, size equalization, histogram adjustment, contourlet transform, and curvelet transform. Due to the sensitivity of the systems, it has been tried to extract the features with various levels and known matrices such as the matrix of events and gray groups.The classification results evaluated the said method. The best results on the data set were the proposed method, which reached an accuracy rate of 86.3 and showed a good improvement on the displayed data set.
Wang, G. and Liao, T.W.(2002). Automatic Identification of Different Types of Welding Defects in Radiographic Images. NDT & E International,35:519-528.
[10] Shafeek, H.I., Gadelmawla, E.S., Abdel-Shafy, A.A. and Elewa, I.M. (2004). Assessment of Welding Defects in Pipeline Radiographs Using Computer Vision. NDT & EInternational,37:291-299.
[11] Gonzalez, R.C. and Wintz, P.(1987). Digital Image Processing. Addison-Wesley, 2nd Edition.
[12] Castleman, K.R.(1979). Digital Image Processing. Englewood Cliffs N.J., Prentice Hall, 90-94.
[13] Addison, Paul S. "Introduction to redundancy rules: the continuous wavelet transform comes of age." (2018): 20170258.
[14] Candes, E. J., and Donoho, D. L, “Continuous curvelet transform”, II. Discretization and frames: Applied and Computational Harmonic Analysis, 19, 198-222, 2003.
_||_