Detección de patologías de la mama mediante filtros multirresolución

Autores/as

  • María G. Pérez Facultad de Ingeniería de Sistemas, Escuela Politécnica Nacional, Ladrón y Guevara E11-253, Quito, Ecuador, P.O. Box 17-01-2759.
  • Marco Benalcazar Facultad de Ingeniería de Sistemas, Escuela Politécnica Nacional, Ladrón y Guevara E11-253, Quito, Ecuador, P.O. Box 17-01-2759.
  • Aura Conci Dep. Ciência Computação, Instituto de Computação, Universidade Federal Fluminense, Niterói, Rio de Janeiro, Brasil.
  • Carlos Fiallos Universidad Técnica de Ambato, Campus de Huachi, Ambato, Ecuador.

Resumen

ABSTRACT
Mammography is considered as the gold standard examination for early detection of breast cancer. However, in the techniques of medical image analysis 3 aspects are yet an issue: noise removal, segmentation of images, and extracting the region of interest (ROI). This work presents a survey of breast mammography and the preliminary results corresponding to a method for the automatic detection of breast anomalies in mammography images using histogram transformation, contrast enhancement and Quadrature Mirror Filter (QMF) banks. The QMF filters are preceded by an advanced tree structured nonlinear filter for noise suppression. Several multiresolution methods are reported for feature extraction in breast cancer using digital mammography. The initial approach is directed to malignant diseases, such as microcalcification clusters, present in mammograms, using initially two or three channels for the multiresolution decomposition.
Keywords: Breast cancer; mammography; histogram transformation, contrast enhancement, ROI, Quadrature mirror filter-QMF; filter banks.


RESUMEN
La mamografía es el Gold estándar de referencia y el método más utilizado en la actualidad para su detección. Sin embargo, en las técnicas de análisis de imágenes médicas, tres aspectos son aún cuestionados: eliminación de ruido, segmentación de las imágenes y la extracción de la región de interés (ROI). Este trabajo presenta una revisión de la mamografía y los resultados preliminares de un método para la detección automática de anomalías en dichas imágenes, mediante el uso de la transformación del histograma, el realce de contraste y el banco de filtro espejo en cuadratura (QMF). Los filtros QMF están precedidos por una estructura en árbol avanzada, no lineal para la supresión de ruido. Varios métodos multiresolución han sido propuestos para la extracción de características del cáncer de mama usando mamografía digital. Una primera aproximación, está centrada en la detección de grupos de microcalcificaciones presentes en los mamogramas, utilizando inicialmente dos y tres subbandas en la descomposición multiresolución.
Palabras clave: Cáncer de mama; mamografía; transformación de histograma, realce de contraste, ROI, filtro espejo en cuadratura-QMF; bancos de filtros.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

American Cancer Society. [En línea]. Disponible en: http://www.cancer.org. Fecha de consulta: 17 de junio de 2016.

Alberti, E.B., 2010. Procesado digital de señales: fundamentos para comunicaciones y control. Cataluña. [en línea]. Disponible en: http://upcommons.upc.edu/handle/2099.3/36546 y https://books.google.com.ec/books/about/Procesado_Digital_de_Seales_2.html?id=mjjQuPW wNS8C&redir_esc=y.

Boletín de la Organización Mundial de la Salud, 2013. Disponible en http://www.who.int/bulletin/volumes/91/9/13-020913.pdf, 91 (pp. 626-627).

Bose, S.C., K. Kumar, M. Karnan, 2012. Detection of microcalcification in mammograms using soft computing techniques. European Journal of Scientific Research, 86(1), 103-122.

Cáncer de mama, MedlinePlus. [En línea]. Disponible en: http://www.nlm.nih.gov/medlineplus/ spanish/ency/article/000913.htm. Fecha de consulta: 18 de junio de 2016.

Chandrasekhar, R., Y. Attikiouzel, 2000. Automatic breast border segmentation by background modeling and subtraction. In: 5th International Workshop on Digital Mammography (IWDM), (Yaffe M. Ed.), Medical Physics Publishing, Madison, USA (pp. 560-565).

Chandrasekhar, R., Y. Attikiouzel, 1997. A simple method for automatically locating the nipple on mammograms. IEEE transactions on medical imaging, 16(5), 483-494.

Chen, C.H., G.G. Lee, 1997. Image segmentation using multiresolution wavelet analysis and expectation-maximization (EM) algorithm for digital mammography. International Journal of Imaging Systems and Technology, 8(5), 491-504.

Chen, C.H., G.G. Lee, 1997. On digital mammogram segmentation and microcalcification detection using multiresolution wavelet analysis. Graphical Models and Image Processing, 59(5), 349-364.

Fiallos, C.B., M.G. Pérez, A. Conci, V.H. Andaluz, 2015. Automatic detection of injuries in mammograms using image analysis techniques. In: 2015 International Conference on Systems, Signals and Image Processing (IWSSIP) (pp. 245-248). IEEE.

Ghosh, R., M. Ghosh, J. Yearwood, 2004. A modular framework for multi category feature selection in digital mammography. In: Proceedings of the 12th European Symposium On Artificial Neural Networks-ESANN, pp. 175-180.

Guo, Y.N., M. Dong, Z. Yang, X. Gao, K. Wang, C. Luo, ..., J. Zhang, 2016. A new method of detecting micro-calcification clusters in mammograms using contourlet transform and non- linking simplified PCNN. Computer methods and programs in biomedicine, 130, 31-45.

Instituto Nacional del Cáncer, EEUU. Fecha de consulta: 18 de junio de 2016. [En línea]. Disponible en http://www.cancer.gov/espanol/pdq/tratamiento/senomasculino/patient.

Juarez, L.C., V. Ponomaryov, R.J.L. Sanchez, 2006. Detection of microcalcifications in digital mammograms images using wavelet transform. In: Proceedings of the Electronics, Robotics and Automotive Mechanics Conference-Volume 02 (pp. 58-61). IEEE Computer Society

Khehra, B.S., A.P.S. Pharwaha, 2016. Classification of clustered microcalcifications using MLFFBP-ANN and SVM. Egyptian Informatics Journal, 17(1), 11-20.

Kuldeep, B., A. Kumar, G.K. Singh, 2015. Design of quadrature mirror filter bank using Lagrange multiplier method based on fractional derivative constraints. Journal of Engineering Science and Technology, 2(18), 235-243.

Le, T.K., 2012. Automated method for scoring breast tissue microarray spots using quadrature mirror filters and support vector machines. In: Information Fusion (FUSION), 2012 15th International Conference on (pp. 1868-1875). IEEE.

Matlab2014a, 2014. [en línea]. Disponible en http://es.mathworks.com/help/wavelet/ref/qmf.html.

MIAS data base, DataBase of Mammograms. [En línea]. Disponible en http://peipa.essex.ac.uk/info/mias.html.

Qian, W., L.P. Clarke, H.D. Li, R. Clark, M.L. Silbiger, 1994. Digital mammography: M-channel quadrature mirror filters (QMFs) for microcalcification extraction. Computerized Medical Imaging and Graphics, 18(5), pp. 301-314.

Sahakyan, A., H. Sarukhanyan, 2012. Segmentation of the breast region in digital mammograms and detection of masses. International Journal of Advanced Computer Science and Applications, 3(2), 102-105.

Shrivastava, P., K.G. Kirar, 2014. Detection of tumor in mammograms using canny edge detection technique. International Journal of Engineering Trends and Technology, 14(5), 213-216.

Triana, N., A. Cerquera, 2013. Computer-aided detection of microcalcifications in digital mammograms to support early diagnosis of breast cancer. In: International Work-Conference on the Interplay Between Natural and Artificial Computation (pp. 293-302). Springer Berlin Heidelberg.

Descargas

Publicado

2017-01-18

Cómo citar

Pérez, M. G., Benalcazar, M., Conci, A., & Fiallos, C. (2017). Detección de patologías de la mama mediante filtros multirresolución. Maskana, 7(Supl.), 187–193. Recuperado a partir de https://publicaciones.ucuenca.edu.ec/ojs/index.php/maskana/article/view/1088