Computer-aided mammography I. Christoyianni, E. Dermatas, G. Kokkinakis Signal Proc. Magazine 17(1):54-64

Introduccion Motivación: proceso rápido de mamografías de alta resolución Tipos de mamografías –Preventivas: se trata de detectar el cáncer en sujetos sin síntomas –Diagnósticas: el cáncer ya está presente, se trata de diagnosticar el tipo de patología

Introducción Tipos de cáncer en mamografías –Microcalcificaciones –Lesiones masivas Circunscritas Estrelladas (spiculated) Irregulares (ill-defined) –Distorsiones de la arquitectura del pecho –Asimetría entre los pechos

Estructura del sistema Preproceso de la imagen Clasificación con RBFNN Decisión : evaluación de la relevancia Diagnóstico

Sistema Preproceso: filtro de mejora de bordes (sharpening) Extracción de características basado en clasificación de texturas –Características dadas por el histograma de vecindarios/ventanas deslizantes solapadas

Extracción de características Características estadísticas de los histogramas locales –Media –Varianza –Skewness –Kurtosis Todas se normalizan por su media y desviación típica de la muestra

clasificador RBFNN: redes de funciones de base radial –La activación de las unidades ocultas sigue la distribución de Cauchy –El entrenamiento de la capa oculta es k-means –La capa output es lineal –El entrenamiento de la capa ouptus es mediante la minimización de MSE

Robusted Para evitar falsas detecciones se filtra el resultado del clasificador RBFNN mediante decisiones ROS (region of suspicion): potencial region con detección de problemas

Robusted Decision 1: Un ROS se confirma como anormal si el clasificador clasifica como normales sus 8 vecinos del mismo tamaño Decision 2:Un ROS anormal se clasifica como una CCM (candidate circunscribed mass) si la unidad output tiene activación superior a un umbral Decision 3: Una CCM se confirma como masa circunscrita si la intensidad promedio es mayor que un umbral

Complejidad de cálculo Para reducir la complejidad de los cálculos se procesa la imagen siguiendo un camino en S Permite una estimación progresiva de las características estadísticas

resultados Dependiendo del tipo de tejido

Resultados El sistema es capaz de detectar casos difíciles Los resultados descienden en el caso de tejidos densos