A new texture descriptor based on local micro-pattern for detection of architectural distortion in mammographic images

Oliveira, Helder Cesar Rodigues de; Moraes, Deovaldo de; Reche, Gustavo A.; Borges, Lucas R.; Catani, Juliana H.; Barros, Nestor de; Melo, Carlos F. E.; Gonzaga, Adilson; Vieira, Marcelo A. C.

doi:10.1117/12.2255516

Cited by 3 publications

(5 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The authors [ 8 , 9 , 10 ] employed a machine learning-based classification algorithm to detect architectural distortion from the DDSM data set and reporting 83.50%, 92.94%, and 91.79% accuracies, respectively. Another study by [ 13 ] applied a multilayer-perception network to detect architectural distortion evaluating 300 images and reported 83% accuracy. The authors [ 14 ] used the LDA classifier to detect architectural distortion tracking from digital breast tomosynthesis and achieved 0.90 sensitivity.…”

Section: Results Analysismentioning

confidence: 99%

“…Another radiomic feature reduction approach was proposed by Raffaella M. et al [ 12 ] for mammogram classification to predict breast cancer. D. H. et al [ 13 ] proposed a micro-pattern texture descriptor for the detection of architectural distortion from mammogram images using a local binary pattern, local map pattern, and haralick’s descriptors. A total of 400 ROIs from the full-field digital mammography (FFDM) dataset were selected for the evaluation of the model and achieved 83% accuracy.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Architectural Distortion-Based Digital Mammograms Classification Using Depth Wise Convolutional Neural Network

Rehman

Pei

et al. 2021

Biology

View full text Add to dashboard Cite

Architectural distortion is the third most suspicious appearance on a mammogram representing abnormal regions. Architectural distortion (AD) detection from mammograms is challenging due to its subtle and varying asymmetry on breast mass and small size. Automatic detection of abnormal ADs regions in mammograms using computer algorithms at initial stages could help radiologists and doctors. The architectural distortion star shapes ROIs detection, noise removal, and object location, affecting the classification performance, reducing accuracy. The computer vision-based technique automatically removes the noise and detects the location of objects from varying patterns. The current study investigated the gap to detect architectural distortion ROIs (region of interest) from mammograms using computer vision techniques. Proposed an automated computer-aided diagnostic system based on architectural distortion using computer vision and deep learning to predict breast cancer from digital mammograms. The proposed mammogram classification framework pertains to four steps such as image preprocessing, augmentation and image pixel-wise segmentation. Architectural distortion ROI`s detection, training deep learning, and machine learning networks to classify AD`s ROIs into malignant and benign classes. The proposed method has been evaluated on three databases, the PINUM, the CBIS-DDSM, and the DDSM mammogram images, using computer vision and depth-wise 2D V-net 64 convolutional neural networks and achieved 0.95, 0.97, and 0.98 accuracies, respectively. Experimental results reveal that our proposed method outperforms as compared with the ShuffelNet, MobileNet, SVM, K-NN, RF, and previous studies.

show abstract

Section: Results Analysismentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Architectural Distortion-Based Digital Mammograms Classification Using Depth Wise Convolutional Neural Network

Rehman

Pei

et al. 2021

Biology

View full text Add to dashboard Cite

show abstract

“…Percebe-se nesses casos uma diferença sútil entre o tecido com ausência e com presença da anomalia. O resultado apresentado por Oliveira et al (2017) foi obtido com ROIs do banco de imagens também utilizado no presente trabalho. Em seu trabalho foi desenvolvido um sistema padrão de classificação, com etapas de descrição e classificador Perceptron multicamadas.…”

Section: Distorção Arquitetural Mamáriaunclassified

“…Por fim, os resultados obtidos não se equipararam às taxas avaliativas apresentadas por outros trabalhos para a detecção da distorção arquitetural (NEMOTO et al, 2009;JA-SIONOWSKA et al, 2010;MURALI;DINESH et al, 2011;OLIVEIRA et al, 2017;RANGAYYAN et al, 2013;PALMA;BLOCH;MULLER, 2014;KAMRA et al, 2016;CASTI et al, 2016;LIU et al, 2017). Entretanto, o metodologia e os bancos de imagem foram distintos, o que dificulta uma comparação direta.…”

Section: Conclusõesunclassified

Detecção de distorção arquitetural mamária em mamografia digital utilizando rede neural convolucional profunda

Costa¹

View full text Add to dashboard Cite

Agradeço a Deus por tudo que me possibilitou e por toda a ajuda para seguir em frente. Agradeço a minha família por todo o suporte durante todo esse tempo, pelo incentivo, pela vida, pelo cuidado e por sua presença a cada instante, é realmente um privilégio. Em especial, obrigado pai por todo o apoio para que esse mestrado pudesse seguir em frente. Obrigado mãe por todo o cuidado e carinho mesmo de longe. Obrigado minha irmã, que mesmo distante estava sempre presente. Agradeço ao professor Marcelo Vieira por ter me dado essa oportunidade, pela orientação, pela compreensão em momentos mais complicados e por todas as conversas e esclarecimentos durante este tempo. À CAPES pelo auxílio financeiro que foi de suma importância para a continuidade deste trabalho. Agradeço a todos os meus amigos, que desde a infância estiveram comigo e com certeza são a extensão da família que tenho. Que possamos sempre nos preocupar uns com os outros, pois isso é sinal de que ainda somos irmãos. Agradeço também aos novos amigos que ganhei durante esse tempo. A todo o pessoal da república, da cidade de São Carlos e sobretudo aos colegas de laboratório, pela ajuda, paciência no dia-a-dia, conversas, bandecos e cafezinhos. Agradeço ao professor Michael Biehl por ter me recebido na Universidade de Groningen durante período de mobilidade. Obrigado pela simpatia e tantos conhecimentos que passou. Agradeço igualmente a todos os colegas que pude encontrar por lá. "O segredo da mudança é concentrar toda a sua energia, não na luta contra o velho, mas na construção do novo."

show abstract

“…No primeiro deles (OLIVEIRA et al, 2016), os autores compararam o desempenho dos descritores LBP, LMP e GLCM (constraste, correlação, energia e homogeneidade) aplicados a mamografias digitalizadas do banco de dados DDSM, sendo o melhor resultado obtido com a aplicação do LMP, cujo valor de sensibilidade foi igual a 97, 0% e de acurácia, 95, 0%. No segundo trabalho (OLIVEIRA et al, 2017), foi apresentado um banco de mamografia digital gerado pelos autores, composto por 100 mamografias com DA. Foram extraídas duas regiões de interesse de 256 × 256 pixels de cada mamografia, uma com a DA situada no centro da respectiva ROI e a segunda, de uma região saudável da mama, sem a presença de DA.…”

Section: Considerações Iniciaisunclassified

Novos operadores de fusão aplicados a descritores de textura >/i<

Pereira¹

View full text Add to dashboard Cite

Sou devedor de amor e de gratidão para com todos! Ao querido Pai eterno, agradeço pela existência e pelas incontáveis oportunidades de evolução. A meus pais, Sônia e Osmando, agradeço pelo bilhete premiado de vinda ao planeta Terra, pelo amor infinito com o qual alimentaram minh'alma, desde minha tenra idade, pelo exemplo com o qual talharam minha personalidade e pelas gotas de suor derramadas em prol de que eu pudesse sempre me banhar nas límpidas águas do conhecimento. A meus irmãos, Rafinha e Lucklu, por me inspirarem, por me ensinarem a arte da felicidade e por contribuírem com meu crescimento. Sou infinitamente grato. À minha amada esposa, Camila, por estar ao meu lado durante o período de tormentas do processo de doutoramento, por participar da consagração de uma obra conjunta, intitulada família nossa, e por acalentar meu coração, trazendo cor e harmonia para minha vida. À vovó Rosa e ao vovô José, pelo amor e por valorizarem a educação. À vovó Lola e ao vovô João, por ensinarem o valor da simplicidade e da honestidade. Ao tio Libânio, por ser amigo e generoso, por ensinar o valor de cada segundo, por fazer o que ama e por amar o que faz. À tia Rosa, agradeço pela inspiração, pelo primor, pelas cartas enviadas durante minha infância, incentivando-me a acreditar em meus sonhos, e pela doce acolhida no Ninho do Sol durante o meu doutoramento. À minha madrinha, Sônia, por ensinar que a educação é feita com liberdade e com estímulo. À tia Cleuza Helena Gonçalves, agradeço pelos telefonemas, pelas mensagens, pelo incentivo e pelo carinho. Aos meus queridos primos, Guilherme, irmão da vida eterna, e Josiane, agradeço imensamente pelo carinho com que me receberam e por todo o apoio prestado durante o período em que estive pelas bandas de São Paulo. A toda minha grande e amada família, de hoje e de ontem, avós, tios, primos, sobrinhos e amigos, pelo amor, pelos sorrisos e pelos abraços. Ao mestre, prof. Dr. Adilson Gonzaga, por orientar-me nesta formação, por fazerme pesquisador, pela paciência e presteza, pelas conversas agradáveis, pelo ensinamento inestimável e pela memorável biblioteca.

show abstract

A new texture descriptor based on local micro-pattern for detection of architectural distortion in mammographic images

Cited by 3 publications

References 17 publications

Architectural Distortion-Based Digital Mammograms Classification Using Depth Wise Convolutional Neural Network

Architectural Distortion-Based Digital Mammograms Classification Using Depth Wise Convolutional Neural Network

Detecção de distorção arquitetural mamária em mamografia digital utilizando rede neural convolucional profunda

Novos operadores de fusão aplicados a descritores de textura >/i<

Contact Info

Product

Resources

About