Mammographic masses classification using active contour models and shape features

การแยกประเภทของก้อนเนื้อในภาพแมมโมแกรมโดยการใช้โมเดลเส้นรูปร่างไวงานและคุณลักษณะเด่นทางรูปร่าง

Name: Ouychai Intharasombat

LCSH: Breast -- Cancer

LCSH: Breast -- Radiography

LCSH: Contours (Cartography)

LCSH: Lenear programming

Abstract: Breast cancer is the major cause of death among women across the world. In Thailand, the number of patients with breast cancer is 16.3% of patients with all types of cancer, which is one of the leading causes of death. This, of course, encourages cancer detection and treatment before it escalates to other parts of the body. For a better treatment of cancer, there are developments of diagnostic approach, laboratory as well as medical instruments. There developments along with increasing knowledge of pathology have tremendously altered the current trend of diagnosis and treatment of breast cancer. This is evidenced by appropriate advice of an accurate selection of appliances for detection and treatment of breast cancer based on academic principles and in a most cost effective manner. In this connection, computer-aided detection/diagnosis (CAD) is developed as an alternative for radiologists’ breast cancer diagnosis through initial detection and diagnosis of mammograms before undergoing the final diagnosis by radiologists. The research on CAD consists of 2 characteristics. The first one is detection and diagnosis of calcification while the second one is detection and diagnosis of mass. This research focuses on developing an algorithm for classifying masses based on their shape features. In the research, an experiment is conducted consisting of 3 processes of (1) preprocessing, (2) mass boundary segmentation and (3) mass classification. Preprocessing is a process of preparation of mammographic masses to be used in the experiment. Mass boundary segmentation is a process of segmenting only the boundary of masses using an algorithm called Active Contour Models (snake). Finally, mass classification is a process of classifying masses into groups defined using Fisher’s linear discriminant analysis and based on 5 features of area, perimeter, compactness, radius and Fourier descriptor (FD). In the experiment, 40 mammographic masses derived from MIAS were used. It composed of 21 circumscribed and 19 speculated masses. However, when “severity” was considered, it was composed of 28 benign and 12 malignant masses. We have divided our experiment into 2 sub-experiments based on 5 shape features of area, perimeter, compactness, radius and FD. The first one performed classification based on “class”. It yielded 90% accuracy rate compared to a comparative method of Rangayyan’s method, using 4 features of FD, compactness, moment and chord length, which yielded 82.5% accuracy rate. The second one performed classification based on “severity”, which produced 72.5% accuracy rate compared to Rangayyan’s method, which provided 52.5% accuracy rate.

Abstract: มะเร็งเต้านมอกเป็นสาเหตุหลักในการเสียชีวิตของผู้หญิงทั่วโลก ในประเทศไทยจำนวนผู้ป่วยเป็นมะเร็งเต้านมคิดเป็นร้อยละ 16.3 จากจำนวนผู้ป่วยโรคมะเร็งทั้งหมด และเป็นสาเหตุของการเสียชีวิตมากสาเหตุหนึ่ง ทำให้มีการตื่นตัวในการตรวจหาและทำการรักษาก่อนที่จะมีการแพร่กระจายของโรคออกไปเพื่อให้ได้ผลการรักษาที่ดีขึ้น ได้มีการพัฒนาวิธีการตรวจ ห้องปฏิบัติการ รวมทั้งเครื่องมือต่าง ๆ กอปรกับความรู้ด้านพยาธิวิทยาเพิ่มมากขึ้น ทำให้แนวโน้มในการดูแลรักษาปัญหาของมะเร็งเต้านมในปัจจุบันเปลี่ยนแปลงไปพอสมควร เพื่อสามารถให้คำแนะนำหรือเลือกใช้เครื่องมือในการตรวจรักษาได้อย่างถูกต้องตามหลักวิชาการ และมีความคุ้มค่าสูงสุด Computer-aided detection / diagnosis (CAD) ถูกนำมาพัฒนาเพื่อเป็นอีกทางเลือกหนึ่งสำหรับการวินิจฉัยของรังสีแพทย์โดยจะทำการตรวจหาและวินิจฉัยภาพ mammogram เบื้องต้นก่อนที่จะให้รังสีแพทย์ทำการวินิจฉัยขั้นสุดท้าย โดยงานวิจัยด้าน CAD จะมีอยู่ 2 ลักษณะคือแบบที่หนึ่งตรวจหาและวินิจฉัยจากปริมาณแคลเซี่ยมที่เกิดขึ้น (calcification) และแบบที่สองตรวจจากส่วนที่เป็นก้อนเนื้องอก (mass) ในงานวิจัยนี้มุ่งพัฒนาการวินิจฉัยจากก้อนเนื้องอก โดยอาศัยคุณลักษณะเด่นทางรูปร่าง (shape features) มาใช้ในการจำแนก งานวิจัยนี้แบ่งเป็น 3 ขั้นตอน (1) เตรียมการประมวลผล (Preprocessing) เป็นขั้นตอนในการเตรียมภาพที่นำมาใช้ในการทดลอง (2) การตัดก้อนเนื้อ (mass segmentation) ขั้นตอนนี้จะเป็นการตัดเอาเฉพาะส่วนที่เป็นเนื้องอกเท่านั้นโดยใช้อัลกอริธึมที่เรียกว่าโมเดลเส้นรูปร่างไวงาน (Active Contour Models) และ (3) การจำแนก (classification) ทำการจำแนกเนื้องอกออกเป็นกลุ่มตามการทดลองด้วย วิธีการวิเคราะห์จำแนกแบบเชิงเส้นของฟิชเชอร์ โดยอาศัยคุณลักษณะเด่นทางรูปร่าง 5 อย่าง ได้แก่ พื้นที่ (area), เส้นรอบวง(perimeter), compactness, รัศมี (radius) และ Fourier Descriptor (FD) ในการทดลองเราใช้ภาพ mammogram ที่ได้จาก MIAS จำนวน 40 ภาพ เมื่อใช้ class ในการ จำแนกจะได้ภาพที่เป็น circumscribed จำนวน 21 ภาพ และ speculated จำนวน 19 ภาพ และถ้าจำแนกตามความรุนแรง (severity) จะได้ภาพที่เป็นเนื้องอกธรรมดา (benign) จำนวน 28 ภาพและที่เป็นเนื้องอกร้ายแรง (malignant) จำนวน 12 ภาพ แบ่งการทดลองออกเป็น 2 การทดลอง โดยใช้คุณลักษณะเด่นทางรูปร่าง 5 อย่าง (area, perimeter, compactness, radius, FD) การทดลองแรกใช้ class ในการจำแนก ผลการทดลองสามารถจำแนกได้ถูกต้อง 90% เปรียบเทียบกับงานวิจัยของ Rangayyan ที่ใช้ 4 features (FD, moment, compactness, chord length) ซึ่งสามารถจำแนกได้ 82.5% การทดลองที่สองจำแนกตามความรุนแรงผลการทดลองปรากฏว่าจำแนกได้ถูกต้อง 72.5% ส่วนงานวิจัยที่นำมาเปรียบเทียบสามารถจำแนกได้ 52.5%

Mahidol University

Address: NAKHON PATHOM

Email: liwww@mahidol.ac.th

Name: Sukanya Phongsuphap

Role: Thesis Advisors

Created: 2003

Modified: 2021-01-13

Issued: 2009-11-30

วิทยานิพนธ์/Thesis

application/pdf

ISBN: 9740433324

CallNumber: H O95m 2003

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Computer Science

Grantor: Mahidol University

©copyrights Mahidol University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	4137863.pdf	7.01 MB	44	2019-07-27 17:22:50

ใช้เวลา

0.29498 วินาที