Dergiler / İleri Teknoloji Bilimleri Dergisi / 2018 / Cilt: 7 - Sayı: 1
MAMOGRAFİ NORMALİZASYONUNUN SINIFLANDIRMA PERFORMANSI ÜZERİNDEKİ ETKİLERİ
- Sayfa
- 75–82
- DOI
- —
Özet
Bilgisayar destekli teşhis için dijital mamogramların belirli ön-işlemlerden geçirilmesi gerekmektedir. Önişleme mamografi imgelerinde gürültü temizleme ve yapay olguları kaldırma amacıyla yapılmaktadır. Önişlemden geçen mamogram imgeleri çeşitli tekniklerle ve çeşitli sınıflandırıcılarla anomali bulguları için işlenmektedir. Bu çalışmanın amacı uygulanan çeşitli önişleme adımlarının, dokusal özellikler kullanılarak sınıflandırma sonuçlarına etkisini incelemektir. Çalışmada gerçekleştirilen önişleme algoritmasında MIAS (The Mammographic Image Analysis Society) veri tabanına ait mamogramlar ortanca süzgeç ile küçük gürültülerden, eşikleme yöntemleri ve morfolojik işlemler ile yapay gürültülerden ve pektoral kastan temizlenmiştir. Temizlenen imgeler 512×256 piksel boyutlarına getirilmiş, son olarak ise kontrast sınırlı adaptif histogram eşitleme (CLAHE) yöntemi ile normalizasyon sağlanmıştır. Sunulan çalışmada mamogram görüntüleri 4 farklı gruba ayrılmıştır:Grup 1: özgün MIAS veri tabanından alınan, önişleme tabi tutulmamış mamogram görüntüleriGrup 2: gürültülerden ve pektoral kastan temizlenmiş mamogram görüntüleriGrup 3: temizlenmiş ve boyutu 256x512’ye sabitlenmiş mamogram görüntüleriGrup 4: temizlenmiş, boyutlandırılmış ve kontrast eşitlenmiş mamogram görüntüleri Her bir grup mamogram görüntülerinden yaygın olarak kullanılan birinci dereceden özellikler hesaplanarak DVM (Destek Vektör Makineleri) sınıflandırıcıya uygulanmıştır. Sınıflandırma sonuçlarına göre önişleme adımlarından gürültülerin ve pektoral kasın temizlenmesi en iyi sonucu vermiştir.
Abstract
Digital mammograms should be preprocessed for computer-aided diagnosis. The aims of preprocessing are denoising and eliminating of artifacts. Mammograms are computing by different techniques and classifiers, after preprocessing step. The purpose of this study is the evaluation of the classification rates with first order textural features by different preprocessing steps. In the study digital mammograms are taken from MIAS database. The algorithm of the preprocessing step of this study includes noise clearance by median filter and artifact noise and pectoral muscle elimination by threshold techniques and morphological operations. Denoised images are normalized by a size of 512x256 pixels. Then, contrast-limited adaptive histogram equalization (CLAHE) is applied. In proposed study, mammogram images divided into 4 groups. Group 1: Original MIAS mammograms, without any preprocessing operationGroup 2: Mammograms that are cleaned noises and pectoral musclesGroup 3: The dimension normalized mammograms at 512x256 pixelsGroup 4: CLAHE applied mammograms For each group mammograms commonly used features are extracted and SVM classifier are used. According to classification results, the best classification rate is implemented by noise and pectoral muscle are eliminated groups (Group 2).