Clustered Microcalcifications Candidates Detection in Mammograms
Fecha
Autor corporativo
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Distrital Francisco José de Caldas
Compartir
Director
Altmetric
Resumen
Descripción
Context: Mammary microcalcifications are not-palpable lesions that are present in approximately 55% of breast cancer. These are a frequent finding in mammograms and may be an indicator of this disease in its firsts phases.
Method: A method was implemented in order to get mammary microcalcifications enhancement based on multi-resolution analysis through wavelet transform. Then, candidates were segmented using thresholding, in this technique, the threshold was determined through statistical parameters from Wavelet distribution coefficients. Later, a support vector machines model was used to classify images that contains mammary microcalcifications.
Results: Classification task was performed using support vector machines (SVM). The following evaluation metrics was achieved: AUC of 93.6 %, accuracy of 89.4 %, sensivity of 88.4% and especificity of 90.5%
Conclusions: In this approach the length and distribution of microcalcifications was used such as features to select candidates. These features also used as criteria in clinical evaluation to detects mammary cancer in early stages. The proposed method to image enhanced can unmask microcalcifications that at naked eye are not visible. In most mammographies the proposed algorithm classify correctly microcalcifications in different distributions
Contexto: Las microcalcificaciones mamarias son lesiones no palpables que están presentes aproximadamente en el 55% de los casos de cáncer de mama. Son un hallazgo muy frecuente en mamografías y pueden ser un indicador de esta enfermedad en sus primeras fases. Método: Se implementa un método para el realce de microcalcificaciones mamarias basado en análisis multirresolución a través de la transformada wavelet. Posteriormente se realiza una segmentación aproximada de candidatos utilizando los parámetros estadísticos de la distribución de coeficientes y se seleccionan aquellos que cumplan con ciertos parámetros de longitud y distribución. Por último, se emplea un modelo de clasificación binaria utilizando máquinas de soporte vectorial para clasificar imágenes con microcalcificaciones mamarias agrupadas. Resultados: Se realizó la tarea de clasificación binaria entre imágenes con tejido mamario sano y con microcalcificaciones utilizando una máquina de soporte vectorial (SVM) utilizando kernel lineal. Las métricas de evaluación para el algoritmo fueron: área bajo la curva (AUC) de 93.6 %, precisión de 89.4 %, sensibilidad de 88.4% y especificidad de 90.5 %. Conclusiones: En el presente trabajo se utilizó el tamaño y la distribución como criterios para la segmentación y caracterización de microcalcificaciones mamarias agrupadas, que en la evaluación clínica son medidas cuantitativas para la detección de cáncer de seno en sus primeras etapas. Dado que el tejido mamario presenta un bajo contraste se propuso un método de realce que logra desenmascarar algunas microcalcificaciones que son poco evidentes. Con el enfoque propuesto se logró clasificar correctamente la mayoría de imágenes de tejido mamario con microcalcificaciones agrupadas ya sea en distribuciones segmentarias, lineales o ramificadas.
Contexto: Las microcalcificaciones mamarias son lesiones no palpables que están presentes aproximadamente en el 55% de los casos de cáncer de mama. Son un hallazgo muy frecuente en mamografías y pueden ser un indicador de esta enfermedad en sus primeras fases. Método: Se implementa un método para el realce de microcalcificaciones mamarias basado en análisis multirresolución a través de la transformada wavelet. Posteriormente se realiza una segmentación aproximada de candidatos utilizando los parámetros estadísticos de la distribución de coeficientes y se seleccionan aquellos que cumplan con ciertos parámetros de longitud y distribución. Por último, se emplea un modelo de clasificación binaria utilizando máquinas de soporte vectorial para clasificar imágenes con microcalcificaciones mamarias agrupadas. Resultados: Se realizó la tarea de clasificación binaria entre imágenes con tejido mamario sano y con microcalcificaciones utilizando una máquina de soporte vectorial (SVM) utilizando kernel lineal. Las métricas de evaluación para el algoritmo fueron: área bajo la curva (AUC) de 93.6 %, precisión de 89.4 %, sensibilidad de 88.4% y especificidad de 90.5 %. Conclusiones: En el presente trabajo se utilizó el tamaño y la distribución como criterios para la segmentación y caracterización de microcalcificaciones mamarias agrupadas, que en la evaluación clínica son medidas cuantitativas para la detección de cáncer de seno en sus primeras etapas. Dado que el tejido mamario presenta un bajo contraste se propuso un método de realce que logra desenmascarar algunas microcalcificaciones que son poco evidentes. Con el enfoque propuesto se logró clasificar correctamente la mayoría de imágenes de tejido mamario con microcalcificaciones agrupadas ya sea en distribuciones segmentarias, lineales o ramificadas.