像素的分辨率的影响,集成规模、预处理和特征归一化纹理分析在乳房x光成像质量分类

文摘

纹理分析方法被广泛使用于乳腺肿瘤在乳房x光成像的特点。纹理给信息强度的空间布置在该地区的利益。这些信息被用于乳房x光检查分析应用,如质量检测、质量分类,乳房密度估计。在本文中,我们研究像素的分辨率等因素的影响,集成规模、预处理和特征归一化这些纹理质量分类方法的性能。分类性能评估考虑线性和非线性支持向量机分类器。找到研究因素之间的最佳组合,我们用三种方法:贪婪,顺序向前选择(SFS)和详尽的搜索。我们的研究的基础上,我们得出结论,研究的因素影响结构性能的方法,所以应该确定这些因素的最佳组合和每个纹理方法达到最佳性能。SFS可以适当的方法因素组合问题,因为它比其他方法更少的计算量。

1。介绍

乳腺癌负责最大的癌症死亡人数在2014年欧盟女性中(1]。乳房x光检查,一般来说,最有效的方法,早期发现乳腺癌,因此采用了乳腺癌筛查。计算机辅助诊断(CAD)在筛选系统通常用于分析乳房x光检查。而放射科医生一般满意CAD集群钙化灶检测的性能,他们几乎没有信心在CAD质量检测。放射科医生的最常见的抱怨是CAD系统导致大量的假阳性(2]。

乳腺癌CAD系统包括三个主要阶段:分割感兴趣的区域(ROI)的乳房x光检查,特征提取从ROI分类。尽管乳房x光检查是一个高度敏感的方法,早期发现乳腺癌,低特异性取得良性和恶性肿瘤的分类。纹理分析方法构成的一个选项为提高特异性分类算法应用于乳房x光检查。这些方法可能会提供额外的信息在区分良性和恶性肿瘤。虽然提出了几种特征提取方法分析乳房x光检查,提高分类性能仍然是一个具有挑战性的问题。

纹理分析方法被广泛用于分析乳腺图像,因为它们产生的信息强度的空间安排在乳房x光检查。纹理是质量的一个主要乳腺特征分类。例如,一些研究已经使用纹理分析方法来区分正常和异常组织(3- - - - - -8)或区分良性和恶性肿瘤(9- - - - - -11]。表1简要总结了一些以前的工作。此外,其他研究已经使用纹理分析方法估计乳腺密度(12从乳房x线照片)或部分群众13]。

CAD系统通常专注于一个ROI研究乳房肿块。ROI的纹理描述的模式空间变化的灰色水平相比的邻居小乳房区域但足以包括群众。换句话说,纹理必须分析在一个区域,这个区域的大小应该调整。因此,我们应该回答这个问题:什么是最优附近大小(集成规模)纹理分析吗?此外,乳房x光检查的大小通常是在成千上万的像素。因此,一些作品的原始分辨率降低乳房x光检查,以降低计算复杂度和算法的执行时间14),或者节省资源(例如,内存和存储空间)。然而,图像将采样也可能影响性能的纹理分析方法。因此,我们应该回答这个问题:多远我们可以downsample图像同时保持纹理的表现方法吗?

在乳腺癌CAD系统中,增强等预处理操作图像过滤或通常应用于乳房x光检查。皮萨诺等人表明,contrast-limited自适应直方图均衡化(CLAHE)应用于x光片显示之前可以使乳腺癌的象征结构更明显(15]。锐化(SH)是用于提高集群钙化的检测16]。中值滤波器(MF)是用来去除噪声的乳房x光成像(17]。预处理可能影响性能的纹理分析方法因为它有效地改变了图像的灰度值。这种效果应该评估。从给定的乳房x光检查提取纹理特征后,他们通常归一化之前的分类阶段。利用归一化法也会影响最终的分类结果。

在本文中,我们研究像素的分辨率的影响,集成规模、预处理和特征归一化结构的性能分析方法用于分类质量在乳房x光片。为此,我们选择了五个广泛/最近使用纹理方法:局部二进制模式(LBP),本地定向号码(LDN),面向的柱状图的梯度(猪),Haralick的特性(HAR),和伽柏过滤器(火焰杯)。为了评估上述方法的性能,我们提取一组感兴趣的区域(roi)从mini-MIAS数据库包含病变18),我们每个纹理分析方法用于分类的roi为良性或恶性。每个纹理方法的性能评估与5像素的分辨率(200μ米、400μ米、600μ米、800μ米,1000μ米)、6集成尺度(,,,,,像素),三个预处理步骤(CLAHE、MF和SH)和五个特征归一化方法。此外,使用线性和非线性支持向量机分类器。

我们所知,只有一个先前的研究已经进行了一个类似的评估。Rangayyan等人研究了像素的分辨率对乳腺肿瘤在乳房x线照片的纹理特征10]。然而,只有像素的分辨率和Haralick的特性被认为是。相比之下,目前的研究考虑更广泛的因素,如像素分辨率,集成规模、预处理,和功能正常化,它认为一个更大的和更强大的纹理描述符数量,已经成功地应用于近期相关工作。此外,我们包括线性和非线性支持向量机;因此,两个相对简单的和复杂的分类方法可以评估。最后,我们分析这些因素的最佳选项的组合使用三种方法:贪婪,顺序向前选择(SFS)和穷举搜索(练习)。

本文的其余部分组织如下。部分2描述了数据库和在这项研究中使用的方法。部分3展示了我们的实验结果,然后讨论部分4。最后,部分5总结我们的研究。

2。材料和方法

在这项研究中,我们评估的性能五纹理分析方法(枸杞多糖,LDN,猪,哈尔和GF)在不同像素的分辨率的同时,集成规模、图像预处理算法和数据标准化方法。为此,我们提取一组包含良性或恶性的roi质量从mini-MIAS数据库。给定一个特定的纹理分析方法,从每个ROI提取的特征向量输入线性支持向量机(LSVM)或非线性支持向量机(NLSVM)。训练模型被用来确定一个看不见的ROI质量包含一个良性或恶性。

2.1。材料

mini-MIAS数据库,包括322年的中间外侧的斜161例图像,是用于我们的实验。从最初的米娅创建数据库,将采样图像从50μm - 200μ米每像素和剪切/填充一个固定大小的像素。地面真理是由有经验的放射科医生,证实了使用活检过程。数据是可用的http://peipa.essex.ac.uk/info/mias.html。在这项研究中109 roi, 60包含一个良性包含恶性质量,质量和49。图1显示了提取roi的例子。感兴趣的研究人员可以要求论文的通讯作者的roi。

mini-MIAS数据库报告的作者,他们减少了像素的分辨率的原始mia数据库(数字化在50岁μ米- 200μm×流行的请求。此外,一些研究已经使用200像素的分辨率μ在他们的应用程序(m作为基准决议14,19]。我们做同样的工作。

2.2。纹理分析方法

本节解释了利用纹理分析方法包括参数选择。

2.2.1。局部二元模式

枸杞多糖标签图像的像素进行比较像素附近与中心像素的值(20.]。小区内每像素值大于中央像素标记为1,其余为0;因此,每个像素由8位代表。附近的大小可能会有所不同在不同的应用程序(例如,和)。一个统一的枸杞多糖是一个扩展的原始LBP最多只有模式包含两个转换从0到1(反之亦然)。穿制服的LBP映射,有一个单独的输出标签为每个统一模式和所有的非均匀模式被分配到一个标签。在这项研究中,一个社区用于生成的直方图均匀枸杞多糖为每个ROI。统一映射产生59输出标签(59维度)地区的8个像素。枸杞多糖的实现描述符是可用的http://www.cse.oulu.fi/CMV/Downloads/LBPMatlab。

2.2.2。本地定向号码

在LDN [21),八个不同方向的边缘响应计算旋卷Kirsch罗盘面具(22与roi)。位置最高的正面和负面的边缘反应被用来生成一个为每个像素6-bit代码。最后,LDN编码直方图的计算在给定的ROI (维)。可在实施LDN描述符https://gitlab.com/my-research/local-directional-number-pattern.git。

2.2.3。面向梯度的柱状图

在猪的方法23),出现的边缘方向的ROI计算。图像分为块(小群体的细胞),然后加权直方图计算为每个。所有块的直方图的组合代表了最终猪描述符。为了获得最佳性能的猪,它的参数经验调整。在这项研究中,我们使用一个细胞大小,细胞的块大小,9-bit直方图。可在猪的实现描述符http://www.vlfeat.org/overview/hog.html。

2.2.4。Haralick的特性

哈尔特征计算灰度的同现矩阵应用灰度共生矩阵建立()。应用灰度共生矩阵建立的,cooccurring分布的灰度值在给定偏移量(方向和距离)计算24]。应用灰度共生矩阵建立一个从每个ROI计算,然后14纹理特征计算:角二阶矩、对比、相关、方差、逆不同时刻,和平均值,方差,和熵,熵,差异方差,差熵,信息相关性1,测量相关的2,最大相关系数(10]。每个特性的数学表达式中可以找到相关的以前的工作(25,26]。哈尔的实现描述符是可用的https://github.com/nutsiepully/spiff/blob/master/src/haralick.m。

2.2.5。伽柏过滤器

一个二维伽柏过滤器可以表示为一个正弦信号与一个特定的频率和方向,由高斯包络调制 在哪里是一个正弦函数的中心和和标准差是沿着两个正交的方向(确定高斯包络的宽度沿- - -相互重合在空间域)。给定一个ROI过滤后的ROI是旋卷的结果吗和。调优GF特定频率和方向可以让他们检测本地方向和频率信息从一个图像27]。在这项研究中,我们使用4尺度和6方向来获取这些过滤roi。本设计生产24反应。对于每一个ROI, 24的能量响应计算,然后聚合以形成特征向量。伽柏过滤器的实现是可用的https://github.com/mhaghighat/gabor。

2.3。预处理

纹理分析方法的性能评估三种预处理算法:CLAHE,中值滤波器(MF),和锐化(SH)。(我)CLAHE:它作用于小区域输入的ROI(称为瓦)。每个瓷砖的对比增强;因此输出区域的直方图近似匹配预定义的分布(28]。在这项研究中,瑞利使用分布(15]。(2)曼氏金融:过滤ROI包含每个像素的中值中相应的像素周边输入ROI (17]。在这项研究中,一个附近使用。(3)上海:为了提高投资回报率,这是第一个模糊;检测到边缘模糊的ROI和添加到它产生更清晰的图像16]。预处理操作可以使用下面的MATLAB函数:CLAHE (adapthisteq.m),中值滤波器(medfilt2.m),和锐化(imsharpen.m)。图2显示了MF的例子,SH和CLAHE时应用于良性和恶性肿瘤。

2.4。特征归一化方法

特征向量归一化,以防止高的属性数值范围从支配那些较低的数值范围。给定一个特征向量归一化特征向量使用五归一化方法计算如下(38,39]:(我)零均值单元方差()方法:,在那里和的均值和方差是吗。(2)最大最小()方法:,在那里和最大和最小的吗。(3)的方法尺度使用的长度单位规范,。(iv)的方法尺度使用的长度单位规范,。(v)的方法尺度单位长度如下:。归一化的方法可以很容易地在MATLAB中实现。- - -标准可以使用MATLAB函数norm.m。

2.5。分类

给定一个标记训练集的形式,,在那里的特征值,是类的,特征的数量,样本的数量,是一个支持向量机试图区分正负类通过寻找一个超平面,将他们(40]。支持向量机分类器解决了如下优化问题: 软边缘参数在哪里控制训练误差之间的权衡和SVM的模型的复杂性为了适应训练数据,避免过度拟合。权重向量是正常的分离超平面。的参数给一定的灵活性用于算法拟合数据,什么时候代表了偏见。

SVM使用核函数将数据线性可分的。It项目的训练数据到一个高维空间如下:。SVM算法试图找到与最大利润之间的分离超平面类在新的高维空间。对于LSVM分类器,是指一个点积。对于NLSVM,分类器函数是由非线性预测输入空间中的训练数据的特征空间更高的维度通过使用核函数。在这项研究中,我们使用径向基函数(RBF)映射内核,定义如下: 在哪里,是两个特征向量之间的欧几里得距离平方和,是一个免费的参数。在这项工作中,我们使用LIBSVM [41)来实现支持向量机分类器。LIBSVM可在https://www.csie.ntu.edu.tw/ cjlin / libsvm /。执行一个网格搜索算法寻找RBF核函数的最优参数,正则化参数,。对于每一个训练集,我们估计SVM分类中使用的参数完成(42]。

2.6。评价

每个纹理分析方法的性能测量的曲线下的面积(AUC)接受者操作特征(ROC)曲线(43]。支持向量机分类器提供了决策值与每个类的成员。生成一个ROC曲线,我们不同一个阈值决定价值。我们也使用倍交叉验证技术训练和测试数据的生成。在这个过程中,数据划分为若干个折叠;因此roi的用于测试和roi的其余部分用于培训。在这项研究中,。意味着AUC值计算的交叉验证过程。

3所示。实验

在本节中,我们当前像素的分辨率的影响,集成规模、预处理步骤,和归一化方法的性能时应用于纹理分析方法良性和恶性在乳房x光成像质量分类。此外,我们研究上述因素的不同组合的影响。

3.1。像素的分辨率和集成规模的影响

我们评论部分2。1,200像素的分辨率μ米已广泛应用于一些研究[14,19]。在这个实验中我们开始这个像素的分辨率,然后乳房x线照片是downsampled生成不同的像素分辨率。将采样步骤包括抗锯齿过滤和双立方插值。生成5个像素分辨率(200μ米、400μ米、600μ米、800μ米,1000μ米),然后我们用六集成尺度(,,,,,分析每个ROI的纹理像素)。在这个实验中,没有预处理应用,标准归一化法用于规范化提取的特征向量。像素的分辨率和集成规模的影响性能的枸杞多糖,LDN,猪,哈尔,GF LSVM NLSVM如图3。

如图3,每个纹理方法达到最好的AUC值在某一像素的分辨率和集成规模。在所有纹理方法,枸杞多糖达到最好的AUC值(0.78)在800像素的分辨率μ米,集成规模。

方差分析(方差分析)测试(44)已经被用于检查像素分辨率之间的交互和集成。方差分析的实验设计包括两个因素:像素的分辨率(Res)和集成规模(是)。Res包括五个层次(200μ米、400μ米、600μ米、800μ米,1000μ米),而包括六个水平(,,,,,像素)。每个Res的水平和产生AUC值(响应)。置信水平设置为0.05。结果如表所示2和3。

如表所示2枸杞多糖和LSVM,意味着像素的分辨率水平的反应明显不同()。同样,意味着集成规模水平的反应明显不同。LDN而言,猪,哈尔,和女朋友,意味着响应水平像素的分辨率和集成的规模没有显著的不同。的值显示像素的分辨率的水平之间的交互和集成量表()并不重要。

如表所示3的意思是反应像素的分辨率水平明显不同的猪NLSVM。的枸杞多糖,LDN HAR,和女朋友,平均反应像素的分辨率的水平没有显著的不同。平均水平的响应集成规模明显不同的枸杞多糖,猪,哈尔。枸杞多糖和NLSVM,像素的分辨率之间的交互和集成量表()是有意义的。

3.2。预处理的影响

在这个实验中,集成规模,获得最高的AUC值与每个纹理分析方法在基线200像素的分辨率μm和标准使用归一化法。没有预处理(NP)的影响,CLAHE, MF, SH在每个纹理分析方法的性能图所示4。可以看到,每个纹理方法产生最高的AUC值和一定的预处理算法。在这个实验中,枸杞多糖达到最高的AUC值和SH NLSVM, LDN和哈尔达到最高的AUC值与NP和LSVM。猪达到最高的AUC值与CLAHE LSVM。反过来,GF达到最高的AUC值与CLAHE NLSVM。

3.3。的影响特征归一化方法

在这个实验中,我们研究的影响五个标准化方法(,,,,)每个纹理分析方法的性能。对于每个纹理分析方法,我们使用集成规模,产生最高的AUC值在200像素的分辨率μm。不使用预处理方法。归一化方法的效果如图5。LSVM,正常化了枸杞多糖和LDN AUC值比其他标准化方法,而女朋友达到其最高AUC值标准化和NLSVM。如图所示,每个纹理分析方法达到最高AUC值与一定的归一化法。

3.4。总结的结果

最好的AUC值每个纹理分析方法考虑到实验部分3.1,3.2,3.3总结在表4。枸杞多糖产生最好的AUC值(0.78)在800像素的分辨率μ米,集成规模,没有预处理,归一化法,LSVM。反过来,哈尔产生最低的AUC值(0.61)。枸杞多糖,LDN、猪和哈尔LSVM达到最佳值,而女朋友达到最佳NLSVM AUC值。

3.5。结合所有因素的水平

找到所有因素的水平之间的最佳组合,我们用三种方法:贪婪,顺序向前选择(SFS)和穷举搜索(练习)。在贪婪的方法中,我们试图结合上述因素的最佳选择。对于每个纹理分析方法,我们总结的最佳水平像素分辨率,集成规模和归一化方法在表5。

表6表明,结合像素的分辨率的最佳水平,集成规模、预处理和特征归一化并不产生改善报告的纹理分析方法的AUC值表4。事实上,枸杞多糖、猪和GF产生大幅降低AUC值。比NLSVM LSVM收益率更高的AUC值。

其次,我们使用SFS方法来找到最好的组合。它包含两个连续的步骤:找到归一化法,提高了当前性能最然后发现预处理方法,不断改善性能。对于每一个纹理的方法,在第一步中,我们从最好的像素的分辨率和集成规模总结表5。然后,没有预处理,提取的特征归一化法分别归一化。然后,提高性能的一个结合前两个因素被添加。在第二步中,我们把每个预处理选项应用到roi (CLAHE NP, MF和SH)。然后我们提取纹理特征和规范化使用前面步骤中获得的最好的归一化法。LSVM和NLSVM用于分类的roi。表7表明SFS并不能提高GF的AUC值表来实现4。枸杞多糖,LDN、猪和哈尔实现AUC值接近的列在表中4。所有结构方法,SFS方法达到AUC值比贪婪的方法。

最后,我们使用一个练习算法,寻找5像素分辨率之间的最佳组合,六个集成尺度,和四个预处理(CLAHE NP, MF和SH)和5个数据标准化方法,导致600种组合。在前面的实验中,我们发现除了女朋友LSVM通常达到最好的结果。NLSVM有两个参数需要优化获得最佳分类结果。添加NLSVM参数优化的练习大大增加其复杂性。所以我们决定只使用LSVM最终测试。

如表所示8的练习方法提高了AUC值LDN,猪,哈尔。女朋友达到一个AUC值低于表中列出的一个4因为LSVM不能完全独立的女朋友特性。

4所示。讨论

许多因素影响纹理分析方法的性能,适用于良性或恶性质量分类。在这项工作中,我们研究像素的分辨率等因素的影响,集成规模、规范化预处理和特征。在这项研究中我们使用知名mini-MIAS数据库。我们开始与原mini-MIAS数据库(200像素的分辨率μ米);然后我们downsample乳房x光检查,以生成400像素的分辨率μ米、600μ米、800μ米,1000μm。此外,六个集成使用量表(,,,,,像素)。这些集成鳞片覆盖大部分的群众的大小mini-MIAS数据库,包括几个像素的像素(包含质量的圆的平均直径约为49个像素)。一些先前的研究已经使用一个集成尺度分析乳房x光片的纹理(3,6,7]。因此,我们假设上述集成尺度能够处理所有群众出现在mini-MIAS数据库。

乳腺肿瘤的形状是一个强大的功能,可以用来区分良性和恶性肿瘤。恶性肿块的边界通常有不规则的形状,而良性的群众有固定的边界。乳房的质量分析,像素的分辨率可能是一个关键因素,因为图像将采样可能消除图像的一些细节。然而,我们的研究结果表明,有可能降低分辨率远远超出200μm和获得良好的分类结果。一个著名的例子是枸杞多糖,实际上在800年实现了最佳性能μm。一个可能的解释是,核心中包含的信息,例如,群众的边界可能仍然被保留下来即使将采样等方法,成为更有用的枸杞多糖,在高阶统计量的强度值。显然,当分辨率太低,分类性能降低,良性和恶性肿瘤的边界的形状非常相似。另一个重要因素是集成规模,它应该大到足以覆盖大众和他们的边界和足够小,排除其他组织。像素的分辨率和集成规模的影响结构性能的方法应该共同学习。

总结如表5,每个纹理方法达到最高AUC值在某一像素的分辨率和集成规模。一个200像素的分辨率μm和一个集成的规模像素让哈尔AUC值最高。反过来,一个800像素的分辨率μm和一个集成的规模像素使枸杞多糖最佳AUC值。集成规模和像素分辨率以某种方式相互作用。在枸杞多糖,LDN和猪,每个方法的纹理特征在一个柱状图表示。这个柱状图包含模式的重复检测到每个方法在某个像素的分辨率和集成规模。枸杞多糖特性计算在200像素的分辨率μm是不同于计算在400像素的分辨率μm。LDN和猪也产生不同的模式在不同的像素分辨率。枸杞多糖的本地模式,LDN和猪通常是计算在一定规模集成。不同的集成规模会产生不同的直方图为本地模式。例如,的LBP直方图计算与集成和是不同的。

方差分析结果表明,平均AUC值的像素分辨率明显不同的LSVM枸杞多糖。此外,集成的意思AUC值尺度与腰痛明显不同,猪,哈尔和NLSVM。性能差异对像素分辨率和集成尺度只是明显不同与枸杞多糖和NLSVM ()。这些结果表明,像素的分辨率和集成规模的选择直接影响到texture-based CAD系统的性能,因为我们选择利用纹理方法的显著地影响性能。

图像预处理也影响纹理分析方法的性能。猪和GF实现与CLAHE AUC值最高,而LDN和哈尔与NP表现得更好。事实上,CLAHE、MF和SH以不同的方式改变乳房的强度。因此,每个纹理分析方法将会产生不同的AUC值与每个预处理技术。一般来说,预处理方法,使roi的小规模的结构更可见将纹理方法更多的辨别力。例如,CLAHE让女朋友最好的AUC值(0.75)。还有一个连贯的关系结构的工作原理,利用预处理方法。例如,LDN二进制模式的计算基于图像中每个像素的边缘响应。MF之前删除离群值计算边缘响应。因此,边缘响应将会正确计算,LDN的区别的力量将会改善。

之前质量分类、计算纹理特征应该规范化,防止属性较高的数值范围从支配那些较低的数值范围。见我们的实验,每个纹理方法产生最高AUC值和一定的归一化法。这是因为每一个归一化法生产数值有不同的分布。因此,纹理特征的安排一定的归一化法的特征空间是不同与其他标准化方法。因此,标准化技术变化的最终值由每个纹理特征计算方法。如表所示5、枸杞多糖和LDN达到最高的AUC值正常化,猪,哈尔和女朋友。

在分类阶段,我们使用两个广泛使用的分类器领域的乳房x线照片分析:LSVM和NLSVM。第一个试图线性独立的纹理特征在特征空间中,而第二个使用一个内核函数(RBF)分离的特性。如表所示4LSVM导致腰痛,LDN,猪,哈尔AUC值最高。相反,GF与NLSVM达到最好的AUC值,表明GF特性不是线性可分的。

表4显示像素的分辨率的水平的摘要,集成规模、预处理和标准化方法,使每个纹理方法最好的AUC值考虑实验部分3.1,3.2,3.3。哈尔和GF达到最好的AUC值在200像素的分辨率μ米,LDN和猪给他们最好的结果在600像素的分辨率μm。没有方法达到最好的AUC值与集成鳞片和像素。

SFS的贪婪,和练习方法被用来找到最好的组合中所有因素的水平。虽然贪婪的方法是最复杂的方法,它产生了可怜的AUC值。相比之下,练习取得了良好的效果,但其计算复杂度是最高的。SFS方法提供了精度和计算复杂度之间的权衡。它不是一样复杂的练习方法,它不会产生可怜的AUC值作为贪婪的方法。对于枸杞多糖,LDN,猪,和哈尔,表7显示了SFS方法产生大约相同的结果同练习的方法。的女朋友达到更好的AUC值SFS方法,因为它使用了NLSVM,而使用它与练习方法的计算提出了一些额外的挑战其内部参数的最优值(和)。

Rangayyan等人111年提取roi的乳房x光成像,得到三个不同的来源:乳腺图像分析社会(mia),教学在卡尔加里山麓医院图书馆,和一个筛选试验(阿尔伯塔省计划对乳腺癌的早期发现)(10]。虽然使用不同来源的乳房x光检查可能有助于评估研究纹理方法的鲁棒性,使用的三个乳房x光检查集Rangayyan等人在不同像素分辨率数字化。因此,从111年的roi提取的纹理特征可能是不同的。这改变的特征提取功能,所以像素的分辨率对结构的性能的影响可能没有被适当的研究方法。相比之下,在最近的研究中,提取roi从单一来源(mini-MIAS数据库)。Rangayyan等人提取ROI与不同尺寸(包括每个ROI质量),他们没有提到集成规模的影响结构性能的方法。相反,目前的研究认为六集成尺度。800像素的分辨率μ米,集成规模,没有预处理,归一化法,LSVM,枸杞多糖达到最好的AUC值(0.78)与其他纹理方法相比,超过最好的AUC值(0.75)通过Rangayyan et al。10]。这是令人鼓舞的,所以我们的未来工作将重点放在改善LBP-based方法来补充它的功能在多个集成与分形维度的分析尺度在不同像素分辨率。

正如上面提到的,工作的10我们的分析有些相似;然而它获得一个AUC值小于我们的研究之一;此外,作者的45]研究了ROI的影响大小和位置在纹理分类方法在低风险的妇女和BRCA1或BRCA2基因突变携带者。反过来,我们的研究着重于分析像素的分辨率的影响,集成规模、预处理和特征归一化纹理分类方法时乳房肿瘤为良性或恶性。

在当前我们研究了上述因素对性能的影响的结构方法,实现最好的AUC值和枸杞多糖(0.78)。然而,一些文献中的方法实现更好的良性或恶性乳腺癌的分类结果,如那些的33- - - - - -35]。例如,作者的35取得了0.92的AUC因为他们使用roi应用灰度共生矩阵建立不同的数据集(DDSM)和提取特征从好子窗口或区域(空间信息)。我们希望我们的研究的分类结果时将改善利用提出的方法(35与每个纹理方法)。我们的一个未来的研究项目是整合提出的方法(35与我们的分析)。

5。结论

纹理分析方法,在应用的时候出现良性和恶性质量分类在乳房x光成像,对像素的分辨率的变化敏感,集成规模、规范化预处理和特征。上述因素的最佳组合应该确定达到最好的辨别力的纹理分析方法。我们希望本研究评估执行将帮助研究人员来完成这个任务。由于其计算成本优势,连续向前选择将是一个合适的方法来确定一个合理的配置(可能是最好的)因素。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作在一定程度上支持西班牙政府通过项目tin2012 - 37171 - co2 - 02。

引用

1. m . Malvezzi·贝尔图乔·利未,拉维奇亚c, e . Negri,”欧洲癌症死亡率的预测,2014年,“《肿瘤学,25卷,不。8,1650 - 1656年,2014页。视图:出版商的网站|谷歌学术搜索
2. f·j·吉尔伯特,s m . Astley m·g·c·吉兰et al。”单一的阅读与计算机辅助检测筛查性乳房x光检查,”《新英格兰医学杂志》上,卷359,不。16,1675 - 1684年,2008页。视图:出版商的网站|谷歌学术搜索
3. m·阿卜杜勒·a·莫雷诺,d . Puig”对乳腺癌诊断的成本降低使用乳房x光检查纹理分析,“《实验与理论的人工智能,28卷,不。1 - 2、385 - 402年,2016页。视图:出版商的网站|谷歌学术搜索
4. r .征求f·德卡洛,s . Tangaro et al .,“一个完全自动化的CAD系统质量检测在一个大乳房摄影数据库”医学物理学,33卷,不。8,3066 - 3075年,2006页。视图:出版商的网站|谷歌学术搜索
5. j .特c·桑切斯,b . Van Ginneken和n . Karssemeijer“提高质量候选人在乳房x光成像检测通过maxima传播特性和局部特征选择,”医学物理学第41卷。。2014年8篇文章ID 081904。视图:出版商的网站|谷歌学术搜索
6. 答:奥利弗,x Llado、j . Freixenet和j .马蒂“假阳性在乳房x光片质量检测使用局部二进制模式,减少”医学影像计算和计算机辅助Intervention-MICCAI 2007施普林格,页286 - 293年,柏林,德国,2007年。视图:出版商的网站|谷歌学术搜索
7. 诉Pomponiu h . Hariharan b .郑,d . Gur”提高母乳质量检测使用的梯度直方图,”医学成像技术:计算机辅助诊断卷,9035学报学报,页1 - 6,国际社会对于光学和光子学,圣地亚哥,加利福尼亚州,美国,2014年3月。视图:出版商的网站|谷歌学术搜索
8. y郑,“乳腺癌检测伽柏特性与数字乳房x光检查,”算法,3卷,不。1,44 - 62,2010页。视图:出版商的网站|谷歌学术搜索
9. H.-P。Chan b领域:帕特里克et al .,“电脑在乳房x光检查恶性和良性微钙化物质分类:纹理分析使用人工神经网络,”物理学在医学和生物学,42卷,不。3、549 - 567年,1997页。视图:出版商的网站|谷歌学术搜索
10. r . m . Rangayyan t·m·阮f·j·艾尔斯,和a . k .南帝”像素的分辨率对乳腺肿瘤在乳房x线照片的纹理特征,“数码影像杂志,23卷,不。5,547 - 553年,2010页。视图:出版商的网站|谷歌学术搜索
11. h . Soltanian-Zadeh、f . Rafiee-Rad和d s Pourabdollah-Nejad”比较的多小波,小波,Haralick乳房x光成像中微钙化的分类和形状特征,“模式识别,37卷,不。10日,1973 - 1986年,2004页。视图:出版商的网站|谷歌学术搜索
12. 答:奥利弗,j . Freixenet r·马蒂et al .,“小说乳房组织密度分类方法,”IEEE在生物医学信息技术,12卷,不。1,55 - 65、2008页。视图:出版商的网站|谷歌学术搜索
13. 答:奥利弗,j . Freixenet j·马蒂et al .,“回顾在乳房x光片图像,自动质量检测和分割”医学图像分析,14卷,不。2、87 - 110年,2010页。视图:出版商的网站|谷歌学术搜索
14. m·p·Sampat A·c·Bovik g·j·惠特曼和m·k·马基”检测的基于模型的框架,针状的群众在乳房x光检查,”医学物理学,35卷,不。5,2110 - 2123年,2008页。视图:出版商的网站|谷歌学术搜索
15. e·d·皮萨诺宗庆后,b . m .海明et al .,“对比度自适应直方图均衡化图像处理有限提高模拟spiculations致密乳房x光检查,检测”数码影像杂志,11卷,不。4、193 - 200年,1998页。视图:出版商的网站|谷歌学术搜索
16. Anand, r·s·s . Kumari s Jeeva和t . Thivya”Directionlet基于变换的磨练和增强乳腺x射线图像,”生物医学信号处理和控制,8卷,不。4、391 - 399年,2013页。视图:出版商的网站|谷歌学术搜索
17. t . s . Subashini诉Ramalingam, s . Palanivel“乳房组织密度的自动评估数字乳房x光检查,”计算机视觉和图像理解,卷114,不。1,33-43,2010页。视图:出版商的网站|谷歌学术搜索
18. j .乳儿,j·帕克,d .舞蹈et al .,“乳腺图像分析社会数字乳房x光检查数据库”第二届国际研讨会上数字乳房x光检查英国,页375 - 378,纽约,1994年7月。视图:谷歌学术搜索
19. n . Karssemeijer“自动分类的实质在乳房x光成像模式,”物理学在医学和生物学,43卷,不。2、365 - 378年,1998页。视图:出版商的网站|谷歌学术搜索
20. t . Ojala m . Pietikainen, t . Maenpaa”多分辨率灰度和旋转不变的纹理分类与局部二进制模式,”IEEE模式分析与机器智能,24卷,不。7,971 - 987年,2002页。视图:出版商的网站|谷歌学术搜索
21. a·r·里维拉j·r·卡斯蒂略,o .崔,”当地定向模式面临数量分析:脸和表情识别,”IEEE图像处理,22卷,不。5,1740 - 1752年,2013页。视图:出版商的网站|谷歌学术搜索
22. r·a·基尔希,”计算机生物图像的成分结构的确定,”计算机和生物医学研究,4卷,不。3、315 - 328年,1971页。视图:出版商的网站|谷歌学术搜索
23. n .中间人和b区格”的梯度直方图的人体检测,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 05),1卷,页886 - 893,IEEE,圣地亚哥,加利福尼亚州,美国,2005年6月。视图:出版商的网站|谷歌学术搜索
24. r . m . Haralick汀斯坦,和k . Shanmugam”纹理特征的图像分类,“IEEE系统,人与控制论,3卷,不。6,610 - 621年,1973页。视图:出版商的网站|谷歌学术搜索
25. w·戈麦斯、w·c·a·佩雷拉和a . f . c . Infantosi”的纹理数据的函数的共现分析灰度量化分类乳房超声检查,”IEEE医学成像没有,卷。31日。10日,1889 - 1899年,2012页。视图:出版商的网站|谷歌学术搜索
26. r·p·拉莫斯·m·z . do Nascimento, d . c .佩雷拉”纹理提取:脊波的评价,基于小波和同现的方法应用于乳房x光检查,”专家系统与应用程序,39卷,不。12日,第11047 - 11036页,2012年。视图:出版商的网站|谷歌学术搜索
27. j·p·琼斯和l·a·帕尔默,”一个评估二维伽柏滤波器模型的简单接受字段在猫纹状皮层,“神经生理学杂志,卷。58岁的没有。6,1233 - 1258年,1987页。视图:谷歌学术搜索
28. d . t .粉扑,e·d·皮萨诺k·e·穆勒et al .,”的方法确定最优的检测图像增强乳腺异常,“数码影像杂志,7卷,不。4、161 - 171年,1994页。视图:出版商的网站|谷歌学术搜索
29. Christoyianni, a . Koutras大肠Dermatas, g . Kokkinakis“计算机辅助诊断乳腺癌的数字化乳房x光检查,”计算机医学影像和图形,26卷,不。5,309 - 319年,2002页。视图:出版商的网站|谷歌学术搜索
30. p . Agrawal m . Vatsa, r·辛格“基于卓越的质量检测x光检查的,”信号处理卷。99年,29-47,2014页。视图:出版商的网站|谷歌学术搜索
31. l . de Oliveira马丁斯,a·c·席尔瓦,a . c . de Paiva和m . Gattass”检测乳腺肿瘤在乳房x光成像使用神经天然气算法和雷普利的K函数”信号处理系统杂志》上,55卷,不。1 - 3、77 - 90年,2009页。视图:出版商的网站|谷歌学术搜索
32. 特区莫拉·m·a·g·洛佩兹,“评估图像描述符结合临床资料对乳腺癌的诊断,“国际计算机辅助放射学杂志和手术,8卷,不。4、561 - 574年,2013页。视图:出版商的网站|谷歌学术搜索
33. l . Nanni s Brahnam, A . Lumini”非常高的执行系统区分良性和恶性组织在乳房x光成像,”专家系统与应用程序,39卷,不。2、1968 - 1971年,2012页。视图:出版商的网站|谷歌学术搜索
34. l . Nanni s Brahnam s Ghidoni e .我和t .障碍,“从共生矩阵中提取信息的不同方法,”《公共科学图书馆•综合》,8卷,不。12篇文章ID e83554 2013。视图:出版商的网站|谷歌学术搜索
35. l . Nanni s Brahnam s Ghidoni, e .我”提出方法和描述符提取同现矩阵,”国际最新的研究在科学和技术杂志》上,3卷,第200 - 192页,2014年。视图:谷歌学术搜索
36. 美国埃尔和欧科里奇”,一个新的特征提取框架基于小波对乳腺癌诊断、”计算机在生物学和医学,51卷,第182 - 171页,2014年。视图:出版商的网站|谷歌学术搜索
37. s . Dhahbi w . Barhoumi大肠Zagrouba,“乳腺癌诊断数字化乳房x光检查使用曲波的时刻,”计算机在生物学和医学卷,64年,第90 - 79页,2015年。视图:出版商的网站|谷歌学术搜索
38. Aksoy和r . m . Haralick”功能正常化为图像检索和基于可能性相似的措施,”模式识别的字母,22卷,不。5,563 - 582年,2001页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
39. p . Juszczak、d .税收和r . Duin“功能扩展支持向量数据描述,”学报》第八届年会先进学校的计算和成像(子囊' 02),第102 - 95页,2002年。视图:谷歌学术搜索
40. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
41. c c。Chang和C.-J。林,“LIBSVM:支持向量机的库,”ACM智能交易系统和技术,卷2,第二十七条,2011年。视图:出版商的网站|谷歌学术搜索
42. g . b .初级,a·c·卡多佐de Paiva a·科雷亚席尔瓦和a·c·m . de Oliveira“胸部组织的分类使用莫兰的指数和吉尔里的系数作为纹理特征和支持向量机,”计算机在生物学和医学,39卷,不。12日,第1072 - 1063页,2009年。视图:出版商的网站|谷歌学术搜索
43. t·福塞特,”介绍ROC分析。”模式识别的字母,27卷,不。8,861 - 874年,2006页。视图:出版商的网站|谷歌学术搜索
44. p·阿米蒂奇,g·贝瑞和j·n·马修斯医学研究统计方法约翰·威利& Sons,纽约,纽约,美国,2002年。视图:出版商的网站
45. 李h . m . l .生姜z霍et al .,“计算机乳腺实质的分析模式评估乳腺癌风险:ROI的大小和位置的影响,“医学物理学没有,卷。31日。3、549 - 555年,2004页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Mohamed abdel - et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。