[论文解读] Early Detection of Breast Cancer using SVM Classifier Technique

Y. Ireaneus Anna Rejani, S. Thamarai Selvi|ArXiv.org|Dec 11, 2009

AI in cancer detection参考文献 5被引用 51

一句话总结

本文提出了一种基于支持向量机（SVM）分类器的机器学习方法，用于通过乳腺X线摄影图像实现早期乳腺癌检测。该方法通过滤波、顶帽变换和离散小波变换（DWT）提升图像质量，利用阈值法分割可疑区域，提取特征，并通过SVM进行分类，在mini-MIAS数据集上实现了88.75%的敏感度。

ABSTRACT

This paper presents a tumor detection algorithm from mammogram. The proposed system focuses on the solution of two problems. One is how to detect tumors as suspicious regions with a very weak contrast to their background and another is how to extract features which categorize tumors. The tumor detection method follows the scheme of (a) mammogram enhancement. (b) The segmentation of the tumor area. (c) The extraction of features from the segmented tumor area. (d) The use of SVM classifier. The enhancement can be defined as conversion of the image quality to a better and more understandable level. The mammogram enhancement procedure includes filtering, top hat operation, DWT. Then the contrast stretching is used to increase the contrast of the image. The segmentation of mammogram images has been playing an important role to improve the detection and diagnosis of breast cancer. The most common segmentation method used is thresholding. The features are extracted from the segmented breast area. Next stage include, which classifies the regions using the SVM classifier. The method was tested on 75 mammographic images, from the mini-MIAS database. The methodology achieved a sensitivity of 88.75%.

研究动机与目标

• 通过增强乳腺X线摄影中低对比度肿瘤区域，提高早期乳腺癌的检测能力。
• 开发一种稳健的分割方法，用于识别乳腺X线图像中的可疑肿瘤区域。
• 从分割后的肿瘤区域提取具有区分性的特征，以实现精确分类。
• 评估SVM分类器在区分恶性与良性区域方面的性能。
• 在公开可用的乳腺X线图像数据库（mini-MIAS）上验证所提出系统的有效性。

提出的方法

• 通过滤波、顶帽变换和离散小波变换（DWT）对图像进行增强，以提高低对比度区域的对比度和可见性。
• 应用对比度拉伸进一步提升图像质量，以更好地可视化可疑区域。
• 在增强后的乳腺X线图像上应用阈值法进行肿瘤区域的分割。
• 从分割后的肿瘤区域提取相关特征，以表征其纹理和形状特性。
• 使用训练所得特征对分割区域进行支持向量机（SVM）分类器的分类。
• 使用敏感度作为主要指标，在mini-MIAS数据库的75张乳腺X线图像上评估系统性能。

实验结果

研究问题

• RQ1 图像增强技术是否能有效提升乳腺X线摄影中低对比度肿瘤区域的可见性？
• RQ2 基于阈值的分割方法在乳腺X线图像中识别可疑肿瘤区域的准确性如何？
• RQ3 提取的哪些特征最能区分乳腺X线摄影中的恶性与良性肿瘤区域？
• RQ4 SVM模型在从分割后的肿瘤特征中检测乳腺癌方面的分类性能如何？
• RQ5 所提出的处理流程是否能在真实世界数据集上实现高敏感度的早期乳腺癌检测？

主要发现

• 所提出的图像增强流程（包括滤波、顶帽操作、DWT和对比度拉伸）显著提升了低对比度肿瘤区域的可见性。
• 基于阈值的分割方法能有效从背景中分离出增强后乳腺X线图像中的可疑肿瘤区域。
• 特征提取过程成功捕捉了用于分类的肿瘤区域的区分性特征。
• SVM分类器在mini-MIAS数据集上检测恶性肿瘤的敏感度达到88.75%。
• 该系统在75张多样化的乳腺X线图像上表现出色，显示出临床应用潜力。
• 图像预处理、分割、特征提取与SVM分类的集成形成了一个稳健且精确的检测流程。