[论文解读] Comparing Methods for segmentation of Microcalcification Clusters in Digitized Mammograms

Hajar Moradmand, Saeed Setayeshi+1 more|arXiv (Cornell University)|Jan 28, 2012

AI in cancer detection参考文献 9被引用 13

一句话总结

该论文提出了一种基于小波增强和形态学操作的计算机辅助检测系统，用于在数字化乳腺X线摄影中检测微钙化簇（MCCs），随后对自适应阈值分割和分水岭分割方法进行对比评估。研究发现，自适应阈值分割在准确提取MCC区域方面优于分水岭分割，能提供更高的敏感性和特异性，有利于早期乳腺癌检测。

ABSTRACT

The appearance of microcalcifications in mammograms is one of the early signs of breast cancer. So, early detection of microcalcification clusters (MCCs) in mammograms can be helpful for cancer diagnosis and better treatment of breast cancer. In this paper a computer method has been proposed to support radiologists in detection MCCs in digital mammography. First, in order to facilitate and improve the detection step, mammogram images have been enhanced with wavelet transformation and morphology operation. Then for segmentation of suspicious MCCs, two methods have been investigated. The considered methods are: adaptive threshold and watershed segmentation. Finally, the detected MCCs areas in different algorithms will be compared to find out which segmentation method is more appropriate for extracting MCCs in mammograms.

研究动机与目标

• 通过在数字乳腺X线摄影中准确分割微钙化簇（MCCs）来提高早期乳腺癌的检测能力。
• 使用离散小波变换（DWT）和形态学操作增强乳腺X线图像质量，以促进后续分割。
• 比较自适应阈值分割与分水岭分割方法在MCC检测中的性能表现。
• 识别在临床乳腺X线影像中提取MCC区域最有效的分割技术。

提出的方法

• 使用离散小波变换（DWT）对乳腺X线图像进行预处理，以增强对比度并减少噪声。
• 应用形态学操作进一步优化图像特征，提高微钙化的可见性。
• 实施自适应阈值分割，基于局部灰度变化来分割MCC区域。
• 应用分水岭分割，将图像视为地形表面，识别局部极小值以检测MCC。
• 结合预处理与分割技术以提高检测准确性。
• 通过视觉和定量比较检测到的MCC区域来评估分割结果。

实验结果

研究问题

• RQ1 在数字化乳腺X线摄影中，自适应阈值分割与分水岭分割哪种方法能更准确地检测微钙化簇？
• RQ2 基于小波的预处理如何影响后续分割算法的性能？
• RQ3 形态学操作在多大程度上改善了微钙化簇的分割效果？
• RQ4 自适应阈值分割与分水岭分割在MCC检测中的敏感性和特异性有何差异？

主要发现

• 与分水岭分割相比，自适应阈值分割在分割微钙化簇方面表现出更优的性能。
• 小波变换与形态学操作的结合显著改善了图像质量，并增强了微钙化的可见性。
• 分水岭分割容易出现过分割，产生碎片化区域和假阳性结果。
• 自适应阈值分割实现了更高的敏感性，并更好地保持了MCC的形态特征，因此更适合临床应用。