X-ray mammography is known as an efficient diagnosis method for detection of early stage breast cancers. The mammogram is a radiograph of the breast tissue and an effective non-invasive means of searching for breast cancers. Microcalcifications and masses are two main types of breast abnormalities. For the detection of breast cancer, the mass detection is more difficult than microcalcification detection due to the fact that masses are obscured by normal breast parenchyma. The radiologists have performed mammogram interpretation by visual examination of the films for the abnormalities that can be interpreted as cancerous lesions. However, the observational oversights of radiologists and a large number of mammograms to be examined make readings intensive, cost ineffective, and inaccurate. The computer-aided diagnosis (CAD) will be useful to assist early diagnosis of breast cancers and to increase the diagnosis sensitivity of radiologists. The CAD system requires a multistage algorithm that includes detection and classification of suspicious lesions.
The region growing technique has been frequently used for segmentation of mammographic masses. The problems with the region growing approach are that it often fails to yield desired results because of difficulties of choosing seed points and an appropriate rule for splitting and merging regions. In order to overcome the problems, this thesis has developed an automatic seed selection method and more robust region growing method for segmentation of mammographic masses, which do not depend on the shape and the absolute intensity values of the mass lesions. As a part of CAD system, the proposed detection method consists of breast region extraction, region partitioning, automatic seed selection, segmentation by region growing, feature extraction, and neural network classification.
The objective performances of the proposed segmentation in the presence of noise were compared with those by other region growing method. The performance of the proposed method is also evaluated by using the free response receiver operating characteristic (FROC) curve. The sensitivity was 92.3% and the results of classification were about 3.5 false positive numbers per image at the level of approximately 90% positive detection rate. The proposed method detects subtle mass lesions of wide range intensities and can facilitate a procedure of mass detection in CAD systems.
유방촬영술은 유방암의 조기진단에 효율적인 진단방법이다. 유방영상은 유방암을 비침투적으로 찾을 수 있는 효과적인 방법이며 유방영상에서 미세석회화와 종괴는 두 가지의 중요한 악성 종양이다. 유방암을 검출하는 데 있어서 종괴가 미세석회화보다 검출하기 어려운데, 그 이유는 정상적인 유방 실질과의 불분명한 경계로 인하여 구분이 힘들기 때문이다. 진단방사선과 의사들은 유방암으로 의심되는 악성 병변의 존재 유무를 관찰한다. 그러나 진단방사선과 의사의 간과와 많은 작업량은 유방영상판독에 있어서 업무가 과중하고 비용도 많이 들며 판독오류를 유발할 수 있다. 컴퓨터 보조 진단은 유방암의 조기진단에 도움을 주고 진단방사선과 의사들의 진단 민감도를 높여줄 수 있는데 이러한 역할을 수행할 수 있도록 악성의증으로 생각되는 병변의 검출과 분류를 위한 알고리즘이 필요하다.
영역확장기법은 유방암의 종괴 부분을 분할하는 데 자주 사용된다. 그러나 영역확장에 있어서 시작점을 선택하는 데의 어려움과 영역의 분할 및 합병에 대한 적합한 기준 선택의 어려움으로 인해 기존의 영역 확장 방법은 때때로 잘못된 결과를 초래한다. 이러한 문제점을 해결하기 위해서 종괴 병소의 절대 밝기 값과 형태에 의존하지 않는, 보다 효과적인 종괴 분할 방법과 영역확장에 있어서 시작점 선택을 자동으로 수행하는 방법을 본 논문에서 제안하였다. 컴퓨터 보조 진단 시스템의 한 부분으로서 제안한 검출 방법은 유방영역 추출, 영역분할, 영역확장에 있어서 시작점의 선택, 물체분할, 특징추출, 그리고 신경회로망을 이용한 분류기로 구성되어 있다. 먼저, X-ray 유방영상은 0.1x0.1 ㎟ 의 영상 분해도로 디지털 영상으로 변환되고 다시 0.4x0.4 ㎟ 의 영상 분해도로 축소시킨다. 그리고 히스토그램 분석에 근거한 간단한 임계치 적용법으로 유방영역을 분리한다. 이렇게 추출된 유방영역은 지방영역, 지방과 유선영역, 고밀도영역 등 세 부분으로 나뉘어진다. 각각의 영역에 대해서 독립적인 설정변수를 정해줄 수 있고 그에 따른 영역확장법과 자동 시작점 선택법을 적용한다. 제안된 검출방법에 의해서 종괴 후보들이 결정되면 물체의 형태, 밀도, 그리고 경계와 관련된 네 가지의 특징을 추출한다. 이 네 가지 특징은 평균 토글 (toggle) 개수, γ-θ 측정, 평균 밝기 차이, 그리고 경계 기울기 변화로써 악성과 양성으로의 분류를 위한 신경 회로망의 입력으로 사용된다. 이렇게 최종적으로 분류된 종괴들을 원영상에 표시함으로써 보조진단의 역할을 수행하게 된다.
제안된 방법의 객관적인 성능 분석을 위해 잡음이 존재하는 가운데 다른 영역확장법과 비교를 수행하였으며 free response receiver operating characteristic (FROC)분석도 하였다. 본 논문에서 민감도는 92.3 %를 보였고 FROC 분석 결과로서 영상 당 3.5 위양율에 90 % 이상의 민감도를 나타내었다.
