Application of Wavelet based K-means Algorithm in Mammogram Segmentation

Abstract

Research in image processing has gained lots of momentum during past two decades. Now-a-days image processing techniques have found their way into computer vision, image compression, image security, medical imaging and more. This paper presents a research on mammography images using wavelet transformation and K -means clustering for cancer tumor mass segmentation. The first step is to perform image segmentation. It allows distinguishing masses and micro calcifications from background tissue. In this paper wavelet transformation and K-means clustering algorithm have been used for intensity based segmentation. The proposed algorithm is robust against noise. In this case, discrete wavelet transform (DWT) is used to extract high level details from MRI images. The processed image is added to the original image to get the sharpened image. Then K-means algorithm is applied to the sharpened image in which the tumor region can be located using the thresholding method. This paper validates the algorithm by detecting tumor region from an MRI image of mammogram. The combination of noise-robust nature of applied processes and the simple K-means algorithm gives better results. General TermsImage Processing

Comparison of Two Segmentation Methods for Mammographic Image

“…The wavelet transform is important to provide a compact description of images that are limited in time and it is very useful in description of edges and line that are highly localized [19]. A 1-level wavelet transform of a discrete image 'f' can be done by using the following two steps:…”

“…Another method [19] is proposed an application of wavelet based K-mean algorithm in mammogram segmentation. Discrete wavelet transform is used to extract the high level details from MRI images.…”

“…These are the LL (Lower resolution version of image), LH (Horizontal edge data), HL (Vertical edge data), & HH (Diagonal edge data) sub bands representing approximation, horizontal, vertical and diagonal components in the form of coefficients, respectively. LL sub band contains low level and the other three (LH, HL, and HH) contain high level details [19].…”

Algoritmo k-means associado a transformadas na classificação de sinais EEG

“…Diferentes variações para o algoritmo são obtidas cada vez que diferentes métricas são consideradas, como por exemplo a distância de Minkowski considerada em [3]. Além disso, a escolha para o número de clusters k também influencia na dinâmica do algoritmo, permitindo diferentes agrupamentos ao final do processo iterativo.Figura 1: Quatro primeiras iterações do algoritmo k-means, utilizando distância Euclidiana, quando aplicado a uma nuvem de 3000 pontos, p i ∈ R 2 , distribuídos em 3 clusters (k = 3).Apesar do algoritmo k-means ser amplamente utilizado em diversos tipos de dados [1,2], ele pode produzir resultados não satisfatórios, quando aplicado a séries temporais [8]. Este baixo desempenho se dá principalmente devido a grande dimensão d de cada elemento do conjunto das séries a serem classificadas, possível alta correlação entre os dados e a grande quantidade de ruído geralmente presente em séries temporais obtidas através de medições associadas a problemas realistas .…”

“…Apesar do algoritmo k-means ser amplamente utilizado em diversos tipos de dados [1,2], ele pode produzir resultados não satisfatórios, quando aplicado a séries temporais [8]. Este baixo desempenho se dá principalmente devido a grande dimensão d de cada elemento do conjunto das séries a serem classificadas, possível alta correlação entre os dados e a grande quantidade de ruído geralmente presente em séries temporais obtidas através de medições associadas a problemas realistas .…”