Breast cancer is the most common type of cancer in women worldwide. To detect breast cancer at an early stage for efficient treatment, computer-aided detection (CAD) systems are actively being developed. One of the drawbacks of current CAD systems for mammography screening is that the sensitivity of detecting masses is much lower, compared to the sensitivity of microcalcifications. Because breast masses are much more difficult to detect than microcalcifications as masses can vary considerably in optical density, shape, and margin. The mass detection systems to-date have employed only a single-detection algorithm based approach. However, it is generally difficult for a single-system approach to provide clinically acceptable detection results for various types of mass lesions. This is mostly because, by using only a single detection algorithm, it is very challenging to cover a wide range of masses. In this paper, to increase overall mass detection sensitivity for various types of masses, we propose the cleaver combination of multiple mass detection algorithms. Especially, two representative mass detection algorithms, namely unsupervised and supervised mass detection algorithms are effectively combined to maximize complementary effects of both approaches. The rationale behind the proposed approach is that different mass detection algorithms are likely to make different detection errors on different mammograms, which means that by combining different mass detection algorithms, we can arrive at a combined mass detection approach that makes stronger and accurate detection results. Comparative experiments have been conducted on public mammogram data set. Our results show that the proposed multiple detection system can considerably improve the mass detection sensitivity with relatively small number of false positives, compared to the cases where supervised mass detection and unsupervised mass detection approaches are separately used.
유방암은 전 세계의 여성에게 나타나는 암 중 가장 발생 빈도가 높다. 효과적인 치료를 위한 유방암의 조기 발견을 위해 컴퓨터 보조 검출 시스템이 활발하게 개발되고 있다. 현재 마모그램에서의 CAD 시스템의 단점은 미세석회화에 비해 종괴의 검출 민감도가 상대적으로 낮다는 것이다. 그 이유는 종괴가 명암도, 모양 등의 특징이 매우 다양하기 때문이다. 현재의 종괴 검출 시스템은 단일 검출 알고리즘에 기반하고 있다. 하지만 일반적으로 하나의 종괴 검출 알고리즘이 다양한 종류의 종괴에 대해 임상적으로 만족할 만한 결과를 얻기 어렵다. 그것은 오직 하나의 검출 알고리즘만으로 모든 종류의 종괴를 다루는 것이 매우 어렵기 때문이다. 본 논문에서는 위의 문제를 해결하여 다양한 종류의 종괴에 대한 검출율을 높이기 위해 다중 개의 종괴 검출 알고리즘의 결합을 제안한다. 특히, 본 논문에서는 지도학습 기반 종괴 검출 방법과 자율학습 기반 종괴 검출이 결합을 통해 상호보조적인 효과를 극대화 하기 위해 선택되었다. 제안하는 방법은 서로 다른 종괴 검출 알고리즘은 서로 다른 종괴를 검출하는 것에 근거를 두어 서로 다른 알고리즘의 조합을 통해 더 강인하고 정교한 검출 결과를 얻는 것을 특징으로 한다. 일반에 공개되어 많이 사용되는 데이터 베이스를 이용해 제안하는 방법의 효용성을 증명하기 위한 실험을 수행하였다. 실험을 통해 제안하는 시스템이 지도학습기반 종괴 검출 알고리즘과 자율학습기반 종괴 검출 알고리즘 각각에 대해 높은 종괴 검출 민감도를 상대적으로 낮은 수의 false positive로 얻음을 보여 제안하는 시스템이 종괴 검출에 효과적인 방법임을 증명하였다.