Menggunakan Ambang Batas Intensitas Skala Abu-abu yang Bervariasi untuk Memvisualisasikan dan Mengidentifikasi Kelainan pada Gambar Mammogram: 9 Langkah

2024 Pengarang: John Day | [email protected]. Terakhir diubah: 2024-01-30 09:56

Tujuan dari proyek ini adalah untuk mengidentifikasi dan menggunakan parameter untuk memproses gambar mammogram skala abu-abu dari berbagai klasifikasi jaringan latar belakang: Lemak, Kelenjar Lemak, & Jaringan Padat. Klasifikasi ini digunakan ketika ahli radiologi menganalisis mammogram dan perlu mempertimbangkan apakah kepadatan jaringan akan mengaburkan kelainan seperti lesi atau tumor. Hal ini karena kedua struktur fisiologis normal seperti jaringan kelenjar dan jaringan ikat fibrosa. dan morfologi abnormal seperti kalsifikasi dan tumor akan tampak sangat terang pada mammogram sedangkan jaringan lemak yang kurang padat akan tampak hitam. Oleh karena itu, adalah tepat untuk memprogram pengklasifikasi yang dapat memanipulasi tingkat intensitas piksel untuk memvisualisasikan dan mengidentifikasi massa dengan baik.

Langkah 1: Mengatur Data Mammogram

Salah satu hal pertama yang saya sadari perlu saya tangani adalah mengatur data dengan cara yang sangat jelas, ringkas, dan mudah diakses. Ini adalah variabel yang saya ekstrak dari Mini-MIAS Database mammogram. Saya membuat dua array. Satu berisi 4 kolom:

1. Nomor Gambar:
2. koordinat massa x
3. koordinat massa y
4. Radius Massa: (Ini menentukan ukuran perkiraan untuk massa

Array kedua berisi informasi klasifikasi:

1. Jenis Jaringan Latar Belakang: Berlemak (F), Berlemak Kelenjar (G), Padat (D)
2. Deskripsi Massa: Terdefinisi dengan baik (CIRC), spiculated (SPIC), tidak jelas lainnya (MISC) Distorsi arsitektur (ARCH), Asimetri (ASYM), Normal (NORM)
3. Diagnosa: Jinak (B), Ganas (M)

Karena tujuan dari proyek ini adalah untuk menentukan ambang batas terbaik untuk setiap jenis jaringan latar belakang, tidak semua informasi diperlukan. Namun, Anda dapat memperluas proyek Anda untuk menyertakan analisis tekstur dan menguji pengklasifikasi Anda terhadap deskripsi massa yang diketahui.

Catatan Samping: Basis data tempat saya mendapatkan Gambar Mammogram yang didiagnosis mengatur informasi tentang setiap mammogram dalam file teks yang terpisah dari gambar. Agak sulit bagi saya untuk mengekstrak data dari file teks dan mengaturnya ke dalam bentuk array, tetapi tautan berikut sangat membantu dalam mencari tahu semua itu. Atau, cukup sesuaikan kode yang saya tempel di atas untuk tujuan Anda.

Format File Mammogram:mdb001 G CIRC B 535 425 197

mdb002 G CIRC B 522 280 69

Bantuan TextScan: https://www.mathworks.com/help/matlab/ref/textsca…Database Mamogram:

Langkah 2: Pemrosesan Gambar

Nah, hal kedua yang muncul ketika saya mencari cara untuk mengidentifikasi massa adalah bahwa untuk banyak mammogram abnormal saya tidak dapat secara visual mengetahui di mana kelainan itu atau seberapa besar itu. Jelas, karena saya bukan ahli radiologi yang berpengalaman, hal itu diharapkan. Namun, cara paling mudah untuk menemukan kelainan (menurut pencarian panjang saya di Google) adalah dengan melihat konsentrasi area terang dan gelap. Saya terutama menggunakan fungsi adapthisteq untuk meningkatkan kontras gambar dan kemudian imbinarize untuk mengubah gambar menjadi gambar biner untuk bereksperimen dengan tingkat ambang batas yang berbeda.

1. adapthisteq: Fungsi ini mengubah nilai intensitas gambar skala abu-abu dan rgb menggunakan pemerataan histogram adaptif kontras terbatas. Dengan kata lain, ia menyesuaikan histogram nilai intensitas ke jenis distribusi tertentu. Tautan matematika untuk fungsi ini dilampirkan di bawah untuk bacaan lebih lanjut.
2. imbinarize: membuat gambar biner dari gambar skala abu-abu dengan menetapkan semua piksel di atas intensitas tertentu ke 1s dan piksel di bawah nilai itu a 0. Saya menggunakan fungsi ini untuk menguji ambang batas optimal untuk mengurangi kebisingan jaringan latar belakang.

Langkah 3: Kode Ambang Batas

Untuk loop digunakan untuk binerisasi mammogram dengan berbagai ambang batas. Untuk memberikan tampilan gambar yang lebih besar, for loop berisi kode dari Langkah 3 hingga Langkah 7. Jadi setiap gambar biner akan dianalisis untuk kelainan. Selain itu, for loop ini terbungkus dalam for loop lain yang mengimpor gambar mammogram baru dari database di setiap iterasi.

Langkah 4: Menemukan Abnormalitas untuk Setiap Gambar Biner

Saya lebih lanjut memproses gambar biner menggunakan fungsi strel bersama dengan imopen untuk menghilangkan kebisingan latar belakang. Citra biner dari langkah sebelumnya dibalik dan disaring menggunakan lingkungan yang ditentukan oleh SE. Kemudian saya menggunakan bwlabel untuk memberi label pada area yang memiliki setidaknya 8 piksel yang terhubung.

Fungsi region props digunakan untuk mencari centroid dan properti area dari masing-masing spot yang diidentifikasi dengan bwlabel.

Kemudian semua titik yang lebih besar dari 500 piksel diidentifikasi menggunakan ismember. Centroid untuk titik yang teridentifikasi diplot pada gambar yang hanya menampilkan titik yang lebih besar di area dari 500. Area Identified = ismember(Labeled, indicies(sortedAreas>500)); Bintik = Diidentifikasi>0;

Langkah 5: Memplot Lokasi dan Ukuran Massa yang Didiagnosis untuk Perbandingan Visual

Saya ingin melihat apakah bintik-bintik yang ditemukan oleh bwlabel itu benar. Saya melakukan ini dengan dua cara. Saya pertama kali menganalisis keakuratan classifier saya dengan melakukan perbandingan visual. Saya hanya memplot ukuran dan lokasi kelainan yang sebenarnya (lingkaran merah) dan lokasi yang ditentukan oleh kode (x biru) pada gambar mammogram yang telah diproses sebelumnya. Keenam gambar di atas menunjukkan efek peningkatan nilai ambang batas keabuan.

Langkah 6: Menerapkan Metode Perbandingan Kedua

Cara kedua saya menguji pengklasifikasi dan nilai ambang batas adalah dengan menentukan apakah lokasi yang ditemukan oleh pengklasifikasi berada dalam jarak tertentu dari koordinat kelainan yang didiagnosis. Saya menyimpan ambang batas yang setidaknya satu dari titik yang diidentifikasi berada dalam 1,5*r dari kelainan yang diketahui ke file teks terpisah yang disebut Data Mammogram. Tujuannya adalah untuk menemukan ambang minimum yang diperlukan untuk pengklasifikasi saya untuk mengidentifikasi kelainan.

Langkah 7: Menganalisis Data yang Dikumpulkan

Saya menjalankan program pada semua gambar mammogram yang tidak normal dan saya ditinggalkan dengan file teks data yang sangat besar. Untuk menemukan ambang batas terbaik untuk setiap jenis jaringan, saya mengatur data berdasarkan jenis jaringan dan memplot histogram nilai ambang batas untuk setiap jenis jaringan. Nilai ambang batas yang tepat ditentukan pada ambang mana yang memberikan hasil paling akurat untuk setiap jenis jaringan. Saya menyimpan data ini untuk diunggah ke classifier saya.

Langkah 8: Membuat Pengklasifikasi Sendiri

Setelah saya menemukan nilai ambang batas yang paling tepat untuk setiap jenis jaringan, saya mengedit kode asli saya agar pengguna memasukkan nomor gambar dan jenis jaringan untuk memilih ambang batas untuk gambar mammogram. Saya kemudian memplot lokasi mammogram yang didiagnosis dengan lokasi yang ditemukan pada gambar mammogram asli. Saya ingin membuat ini lebih menyenangkan, jadi saya memprogram fungsi untuk memotong wilayah melingkar di sekitar ROI. Pengguna akan diinstruksikan untuk memilih titik tengah dan beberapa titik yang paling baik mencakup ROI. Saya melampirkan kedua file matlab di sini.

Langkah 9: Perbaikan? Ada Pikiran?

Saat saya menulis instruksi ini, saya mulai melihat banyak peningkatan yang dapat saya lakukan pada pengklasifikasi seperti menemukan cara untuk membedakan antara berbagai jenis massa yang diidentifikasi berdasarkan analisis tekstur atau meningkatkan pengujian saya untuk bagian akurasi Proyek SandBox. mengajukan. Karena ini adalah proyek dengan tenggat waktu, saya harus berhenti di suatu tempat, tetapi saya berharap saya dapat menggunakan keterampilan pemrosesan gambar yang saya pelajari di aplikasi lain. Juga, saya melampirkan file yang digunakan untuk memproses semua gambar mammogram abnormal.