[论文解读] Pectoral Muscles Suppression in Digital Mammograms using Hybridization of Soft Computing Methods

I. Laurence Aroquiaraj, K. Thangavel|arXiv (Cornell University)|Jan 5, 2014

AI in cancer detection参考文献 4被引用 3

一句话总结

本文提出了一种混合软计算方法，结合连通域标记（CCL）、模糊逻辑和直线检测，以抑制侧斜位（MLO）视图数字乳腺X线摄影中的胸大肌。该方法在322幅MIAS数据库图像上实现了超过96%的曲线分割准确率，优于现有最先进的胸大肌抑制技术，从而提升了乳腺区域分析的效果。

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.

研究动机与目标

• 通过精确抑制胸大肌，提升数字乳腺X线摄影中乳腺区域的分割效果，尤其是在侧斜位（MLO）视图中。
• 开发一种稳健且自动化的胸大肌边界检测方法，以增强后续计算机辅助诊断（CAD）系统的表现。
• 减少胸大肌带来的干扰，因其可能遮挡可疑病灶并降低自动分析工具的性能。
• 使用多种定量指标，将所提出的混合方法与现有最先进的方法进行对比评估。
• 确保在MIAS数据库中多样化乳腺X线图像上实现可靠且一致的分割结果。

提出的方法

• 该方法采用连通域标记（CCL）识别并分离乳腺X线图像中的感兴趣区域，特别是胸大肌区域。
• 应用模糊逻辑以建模边界检测中的不确定性，从而实现对胸大肌不规则边缘的平滑且精确的分割。
• 采用直线检测技术，基于几何约束估计胸大肌的主要方向和近似轮廓。
• 将CCL、模糊逻辑和直线检测三种技术进行混合，通过结合基于区域、基于边界和几何信息，协同提升分割精度。
• 利用多种评估指标对混合结果进行验证，包括平均绝对误差（MAE）、豪斯多夫距离（HD）、概率Rand指数（PRI）、局部一致性误差（LCE）和Tanimoto系数（TC）。
• 在来自乳腺影像分析协会（MIAS）数据库的322幅数字乳腺X线图像上测试该算法，以确保其泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 结合CCL、模糊逻辑和直线检测的混合软计算方法，能否有效抑制MLO视图乳腺X线摄影中的胸大肌？
• RQ2 所提出的方法在分割准确率方面与现有最先进的胸大肌抑制技术相比如何？
• RQ3 在存在噪声和不规则肌肉轮廓的情况下，模糊逻辑的集成在边界检测中提升了多大程度的性能？
• RQ4 该混合方法在包含322幅乳腺X线图像的大型且多样化数据集上的表现如何？
• RQ5 所提出的方法是否能通过多种定量评估指标实现一致且可靠的分割结果？

主要发现

• 将模糊逻辑与直线检测方法结合，使MIAS数据集中超过96%的曲线分割被分类为充分或更优。
• 与现有最先进的方法相比，所提出的方法在处理复杂且不规则的胸大肌边界方面表现出更优的性能。
• 平均绝对误差（MAE）和豪斯多夫距离（HD）指标表明边界定位具有高精度，证实了分割的准确性。
• 概率Rand指数（PRI）和Tanimoto系数（TC）值显示分割边界与真实边界高度一致，表明分割具有高一致性。
• 局部一致性误差（LCE）被最小化，证实了该方法在保持乳腺区域局部结构细节方面的鲁棒性。
• 在322幅MIAS数据库图像上的全面评估，证实了该方法在临床集成中的可靠性与可扩展性。