Microcalcification diagnosis in digital mammograms based on wavelet analysis and neural networks

Abstract

The classification of tumors is a medical application that poses a big challenge for in the field of breast cancer detection. The use of artificial intelligence and learning machine techniques has transformed the processes of diagnosis and analysis of breast cancer. For instance, the presence of clustered microcalcifications on X-ray mammograms is vital sign for early detection of breast cancer, which in turn prevents the dire option of surgical breast removal. Digital mammography offers several advantages such as the provision of digital information, which is available in a format that is usable by computer aided diagnosis systems. This work is based on two major approaches; wavelet decomposition analysis and neural network approaches. The system is classified normal from abnormal, mass from microcalcification. Experiments performed on the standard and publicly attainable dataset which is Mammography Image Analysis Society (MIAS), and a comparative analysis is carried out between the test results of this study and recent achievements reviewed in the literature..

Improvement of Segmentation Efficiency in Mammogram Images Using Dual-ROI Method

“…In this situation, short assessments of some paramount contributions to the accessible articles are conferred. Jasmine et al 2009 presented a paper on a new approach for detecting micro-calcification in digital mammograms employing the combination of wavelet analysis of the image by applying artificial neural networks (ANN) for building the classifiers. The micro-calcification corresponds to high frequency components and the detection of micro-calcification is achieved by extracting the microcalcification features from the wavelet analysis of the image and we use these results as an input of neural network for classification.…”

Detección de Candidatos a Microcalcificaciones Mamarias Agrupadas en Mamografías

“…En método de realce de microcallcificaciones propuesto se emplea análisis multirresolución (Multiresolution Analysis, MRA, por sus siglas en inglés) y supresión sub-banda a fin de reducir la densidad del tejido mamario y realzar los detalles finos y brillantes de las mamografías. Inicialmente se descompone la región cuadrada o parche de tejido mamario mediante la transformada discreta Wavelet (Discrete wavelet transform, DWT, por sus siglas en inglés) que a través de un banco de filtros ortogonales pasa bajo y pasa alto se obtiene la representación de la imagen inicial en cuatro matrices de coeficientes wavelet o sub-bandas: los coeficientes de aproximación y los coeficientes de detalles horizontales, verticales y diagonales respectivamente [7], [11], [19]. Cabe destacar que en el análisis multirresolución, por cada nivel n de descomposición el número de filas y columnas de las matrices se reducen, por consiguiente la resolución de la imagen original decrece en un factor de 2 n [15].…”

“…Los hallazgos más comunes en las mamografías son las microcalcificaciones, lesiones no palpables en la mama que se caracterizan por ser pequeños depósitos de calcio. Algunas características como el patrón de distribución dentro de la mama y la morfología indican la formación de alguna lesión maligna [7]; por ejemplo, las microcalcificaciones que tienen una longitud menor a 0.5 mm y que en unárea menor o igual a 1 cm 2 de tejido se agrupan más de tres, indican un alto grado de sospecha de malignidad [8] [9].…”

Revisión de esquemas de clasificación de tejidos cancerígenos en imágenes de mamografía

“…La DWT es un tipo especial de la transformada de Fourier que representa una señal en términos de versiones trasladas y dilatadas de una onda finita (denominada Wavelet). La transformada de Wavelet u ondícula permite variar el tamaño de la ventana de análisis y puede medir las variaciones en tiempo-frecuencia de los componentes espectrales, pero posee una resolución diferente (Mina & Isa, 2015).…”