[논문 리뷰] Pectoral Muscles Suppression in Digital Mammograms using Hybridization of Soft Computing Methods

I. Laurence Aroquiaraj, K. Thangavel|arXiv (Cornell University)|2014. 01. 05.

AI in cancer detection참고 문헌 4인용 수 3

한 줄 요약

이 논문은 디지털 유방 조영촬영의 미디오틀라터럴 오픈(ML0) 영상에서 유방 근육을 억제하기 위해 연결된 성분 레이블링(CCL), 퍼지 논리, 직선 검출 기법을 융합한 하이브리드 소프트 컴퓨팅 접근법을 제안한다. 이 방법은 322장의 MIAS 데이터베이스 영상에서 96% 이상의 적절하거나 그 이상의 곡선 분할 정확도를 달성하였으며, 유방 영역 분석 향상을 위해 최신 기술들보다 뛰어난 성능을 보였다.

ABSTRACT

Breast region segmentation is an essential prerequisite in computerized analysis of mammograms. It aims at separating the breast tissue from the background of the mammogram and it includes two independent segmentations. The first segments the background region which usually contains annotations, labels and frames from the whole breast region, while the second removes the pectoral muscle portion (present in Medio Lateral Oblique (MLO) views) from the rest of the breast tissue. In this paper we propose hybridization of Connected Component Labeling (CCL), Fuzzy, and Straight line methods. Our proposed methods worked good for separating pectoral region. After removal pectoral muscle from the mammogram, further processing is confined to the breast region alone. To demonstrate the validity of our segmentation algorithm, it is extensively tested using over 322 mammographic images from the Mammographic Image Analysis Society (MIAS) database. The segmentation results were evaluated using a Mean Absolute Error (MAE), Hausdroff Distance (HD), Probabilistic Rand Index (PRI), Local Consistency Error (LCE) and Tanimoto Coefficient (TC). The hybridization of fuzzy with straight line method is given more than 96% of the curve segmentations to be adequate or better. In addition a comparison with similar approaches from the state of the art has been given, obtaining slightly improved results. Experimental results demonstrate the effectiveness of the proposed approach.

연구 동기 및 목표

• 미디오틸라터럴 오픈(MLO) 영상에서 특히 중요한 유방 영역 분할 정확도 향상을 위해 유방 근육을 정확히 억제함으로써 디지털 유방 조영촬영에서의 분할 성능을 향상시키는 것.
• 후속 컴퓨터 지원 진단(CAD) 시스템의 성능 향상을 위해 신뢰도 있고 자동화된 유방 근육 경계 검출 방법을 개발하는 것.
• 의심스러운 병변을 가리거나 자동 분석 도구의 성능을 떨어뜨릴 수 있는 유방 근육의 간섭을 줄이는 것.
• 다양한 정량적 지표를 사용하여 제안된 하이브리드 방법을 기존 최신 기술들과 비교 평가하는 것.
• MIAS 데이터베이스의 다양한 유방 조영촬영 영상에서 일관되고 신뢰할 수 있는 분할 성능을 확보하는 것.

제안 방법

• 이 방법은 연결된 성분 레이블링(CCL)을 활용하여 유방 조영촬영 영상에서 관심 영역, 특히 유방 근육 영역을 식별하고 분리한다.
• 퍼지 논리는 경계 검출의 불확실성을 모델링하여, 불규칙한 가장자리를 가진 유방 근육의 더 부드럽고 정확한 분할을 가능하게 한다.
• 직선 검출 기법을 사용하여 기하학적 제약 조건에 기반해 유방 근육의 주요 방향성과 약간의 윤곽을 추정한다.
• CCL, 퍼지 논리, 직선 검출 기법의 세 가지 기법을 융합하여 영역 기반, 경계 기반, 기하학적 정보를 조화롭게 통합함으로써 분할 정확도를 향상시킨다.
• 하이브리드 출력 결과는 평균 절대 오차(MAE), 하우스도르프 거리(HD), 확률적 랜드 지수(PRI), 국소 일致 오차(LCE), 타니모토 계수(TC)와 같은 다수의 평가 지표를 사용하여 검증된다.
• 알고리즘은 일반화 및 강건성을 확보하기 위해 유방 이미지 분석 협회(MIAS) 데이터베이스의 322장의 디지털 유방 조영촬영 영상에서 테스트된다.

실험 결과

연구 질문

• RQ1 CCL, 퍼지 논리, 직선 검출 기법을 융합한 하이브리드 소프트 컴퓨팅 접근법이 MLO 영상에서 유방 근육 억제에 효과적으로 작용할 수 있는가?
• RQ2 제안된 방법은 기존 최신 기술들과 비교하여 분할 정확도 측면에서 어떤가?
• RQ3 노이즈와 불규칙한 근육 윤곽이 존재하는 환경에서 퍼지 논리의 통합이 경계 검출 성능에 얼마나 기여하는가?
• RQ4 322장의 다양한 유방 조영촬영 영상으로 구성된 대규모 데이터셋에서 제안된 방법의 성능은 어떠한가?
• RQ5 제안된 방법이 다수의 정량적 평가 지표를 사용하여 일관되고 신뢰할 수 있는 분할 결과를 도출할 수 있는가?

주요 결과

• 퍼지 논리와 직선 검출 기법의 융합이 MIAS 데이터셋에서 곡선 분할의 96% 이상를 적절하거나 그 이상의 수준으로 분류하는 데 성공하였다.
• 제안된 방법은 복잡하고 불규칙한 유방 근육 경계를 처리하는 데 있어 기존 최신 기술들보다 뛰어난 성능을 보였다.
• 평균 절대 오차(MAE)와 하우스도르프 거리(HD) 지표는 경계 위치 추정의 높은 정밀도를 확인하여 정확한 분할을 뒷받침하였다.
• 확률적 랜드 지수(PRI)와 타니모토 계수(TC) 값은 분할된 경계와 진짜 경계 간의 높은 일致성을 보여주어 높은 분할 일致성 수준을 확인하였다.
• 국소 일치 오차(LCE)가 최소화되어, 방법이 유방 영역의 국소 구조적 세부 정보를 유지하는 데 있어 강건함을 입증하였다.
• MIAS 데이터베이스의 322장 영상에 대한 종합적인 평가 결과는 이 방법의 신뢰성과 임상적 통합 가능성에 대한 확장성을 확인하였다.