KFUPM ePrints

ROBUST TUMOR DETECTION IN MAMMOGRAM IMAGES USING AN OPTIMAL SET OF TEXTURE FEATURES

l ROBUST TUMOR DETECTION IN MAMMOGRAM IMAGES USING AN OPTIMAL SET OF TEXTURE FEATURES. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]PDF (M.Sc. Thesis ) - Published Version
Restricted to Abstract Only until June 2017.
Available under License Creative Commons Attribution Non-commercial No Derivatives.

4Mb

Arabic Abstract

يعتبر سرطان الثدي من أكثر أنواع السرطان انتشارا عند النساء وهو أحد أهم أسباب الوفاة للمصابات بهذا المرض. أظهرت النتائج مؤخرا أن حوالي 25% من المرضى المصابات بالسرطان مصابات بسرطان الثدي، ويعتبر التصوير باستخدام صور Mammogram من أهم وأنجع الطرق للاكتشاف المبكر لسرطان الثدي في الوقت الحالي كما تستخدم لاكتشاف أي كتلة غير طبيعية موجودة في ثدي المرأة سواء كانت هذه الكتل عبارة عن خلايا سرطانية أو غيرها. في الوقت الحاضر تعتبر عملية الاكتشاف المبكر لسرطان الثدي عند النساء من أكثر وأصعب الاشكاليات التي تواجه الباحثين حيث أنهم لم يتوصلوا إلى الدقة المقبولة للمختصين في المجال الطبي. في هذه الرسالة قمنا بتطوير خوارزمية جديدة باستخدام معالجة الصور الرقمية واستخراج خصائص مميزة لكل صورة واستخدام أدوات التصنيف الاحصائية للحصول على نتائج جيدة. الهدف من هذه الخوارزمية استخراج الخصائص من الصور المستخدمة واختيار أفضل الخصائص التي تساعد على اكتشاف وجود الخلايا السرطانية من عدمه باستخدام أدوات التصنيف المناسبة. خلال هذا العمل تم تطوير خوارزمية مكونة من مرحلتين: في المرحلة الأولى يتم تصنيف الصورة حسب كثافة الأنسجة داخل الثدي حسب نظام BIRADS إلى نوعين: كثافة خفيفة و كثافة عالية وقد حصلنا على دقة تصنيف صور بنسبة 93.56 %. في المرحلة الثانية يتم تصنيف الصورة حسب وجود الخلايا السرطانية من عدمه في كل صورة بعد انتهاء المرحلة الأولى وقد حصلنا على دقة كلية للمرحلتين بنسبة 80 % و للحصول على هذه النتائج تم استخدام قاعدتي بيانات هما MIAS و IRMA. خلال هذه الرسالة تم استنتاج أنه حين يتم حذف بعض الخصائص التي لا تساعد المصنفات في عمليات التصنيف فإنه تزيد دقة التصنيف بشكل جيد. كما تم استخراج الخصائص التي تساعد على التصنيف بشكل جيد في كلتا المرحلتين. في ختام الرسالة تم عرض بعض الدراسات المشابهة لهذا العمل ومقارنة النتائج التي تحصلوا عليها مع ما توصلنا إليه من نتائج وتم ايضاح الفروقات.

English Abstract

Breast cancer is one of the most common types of cancer, as well as the leading cause of mortality among women. Recent statistics showed that around 25 % of cancer cases among women are of breast type. Mammography is currently the most effective imaging modality for the detection of breast cancer and diagnosis of abnormalities which can identify cancerous cells. The problem of early detection of cancer from mammographic images is still a major challenge and performance is still not acceptable by medical professionals. Here, we propose to develop a new image processing approach for early detection of cancer from mammogram images using robust texture features combined with a statistical classifier. The aim is to start with a pool of features then use a feature selection technique to extract the most relevant features for the detection of cancerous image patches. A new two-stage classifier is developed which combines density classification with cancer classification. The first stage of the proposed algorithm achieved a density classification of 93.56 % from two BIRADs. Cancer/no cancer classification is carried during the second stage. The hybrid two stage classifier achieved an overall classification rate of 80 %. The results were validated on both the MIAS and IRMA databases. We also show that the reduced size optimal set of features using small patches achieves excellent results in both density classification and cancer detection. A comparison to state-of-the-art has been carried and showed that our approach provides an improvement both in terms of density classification and cancer detection accuracy.



Item Type:Thesis (Masters)
Subjects:Electrical
Divisions:College Of Engineering Sciences > Electrical Engineering Dept
Committee Advisor:Deriche, Mohamed
Committee Members:Ghouti, Lahouari and Mohandes, Mohamed
ID Code:140051
Deposited By:MAHMOUD ALHELOU (g201203920)
Deposited On:18 Jul 2016 14:11
Last Modified:18 Jul 2016 14:11

Repository Staff Only: item control page