Automatic mass segmentation in mammographic images
- Autores: Arnau Oliver i Malagelada
- Directores de la Tesis: Jordi Freixenet Bosch (dir. tes.)
- Lectura: En la Universitat de Girona ( España ) en 2007
- Idioma: inglés
- ISBN: 978-84-690-8019-1
- Depósito Legal: Gi-1188-2007
- Tribunal Calificador de la Tesis: Nico Karssemeijer (presid.), Robert Martí (secret.), Petia Radeva (voc.), Rafael Salvador Izquierdo (voc.), Alejandro Frangi Caregnato (voc.)
- Materias:
- Enlaces
- Tesis en acceso abierto en: TDX
- Resumen
- English
Aquesta tesi està emmarcada dins la detecció precoç de masses, un dels símptomes més clars del càncer de mama, en imatges mamogràfiques. Primerament, sha fet un anàlisi extensiu dels diferents mètodes de la literatura, concloent que aquests mètodes són dependents de diferent paràmetres: el tamany i la forma de la massa i la densitat de la mama. Així, lobjectiu de la tesi és analitzar, dissenyar i implementar un mètode de detecció robust i independent daquests tres paràmetres. Per a tal fi, sha construït un patró deformable de la massa a partir de lanàlisi de masses reals i, a continuació, aquest model és buscat en les imatges seguint un esquema probabilístic, obtenint una sèrie de regions sospitoses. Fent servir lanàlisi 2DPCA, sha construït un algorisme capaç de discernir aquestes regions són realment una massa o no. La densitat de la mama és un paràmetre que sintrodueix de forma natural dins lalgorisme.
- English
This thesis deals with the detection of masses in mammographic images. As a first step, Regions of Interests (ROIs) are detected in the image using templates containing a probabilistic contour shape obtained from training over an annotated set of masses. Firstly, PCA is performed over the training set, and subsequently the template is formed as an average of the gradient of eigenmasses weighted by the top eigenvalues. The template can be deformed according to each eigenmass coefficient. The matching is formulated in a Bayesian framework, where the prior penalizes the deformation, and the likelihood requires template boundaries to agree with image edges. In the second stage, the detected ROIs are classified into being false positives or true positives using 2DPCA, where the new training set now contains ROIs with masses and ROIs with normal tissue. Mass density is incorporated into the whole process by initially classifying the two training sets according to breast density. Methods for breast density estimation are also analyzed and proposed. The results are obtained using different databases and both FROC and ROC analysis demonstrate a better performance of the approach relative to competing methods.
- English
