跳到主要內容

臺灣博碩士論文加值系統

(44.192.94.177) 您好!臺灣時間:2024/07/21 18:43
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:蕭卜綱
研究生(外文):Pu-Kang Hsiao
論文名稱:全域式數位乳房攝影影像電腦輔助診斷系統之開發
論文名稱(外文):The Development of Computer-Aided Diagnosis system of Full-Field Digital Mammography Image
指導教授:蘇振隆蘇振隆引用關係
指導教授(外文):Jeng-Lung Su
學位類別:碩士
校院名稱:中原大學
系所名稱:生物醫學工程研究所
學門:生命科學學門
學類:生物化學學類
論文種類:學術論文
論文出版年:2013
畢業學年度:101
語文別:中文
論文頁數:106
中文關鍵詞:電腦輔助診斷系統全域式數位乳房攝影組織牽扯向量收斂濾波器灰階共生矩陣紋理頻譜倒傳遞類神經網路
外文關鍵詞:Convergence Index Filter for Vector FieldFull-Field Digital Mammography (FFDM)artificial neural network (ANN)computer-aided detection (CAD)Gray-Level Co-occurrence Matrix (GLCM)architectural distortiontexture spectrum
相關次數:
  • 被引用被引用:1
  • 點閱點閱:213
  • 評分評分:
  • 下載下載:3
  • 收藏至我的研究室書目清單書目收藏:0
  惡性腫瘤在這幾年一直是人們的一大威脅,而在女性族群中乳癌的死亡率更居於惡性腫瘤的第四名,過去研究指出,早期的乳房篩檢能夠有效的降低乳癌的發病率及死亡率,而組織牽扯在乳癌檢測中是重要的檢測指標,但容易被忽略,加上亞洲女性乳房較西方國家密度來的高在系統診斷上會有所差異而被誤判。本研究目的是希望能夠透過醫學影像之處理技術,用於全域式數位乳房攝影的影像偵測組織牽扯組織,並適合使用於密度較高乳房影像之全自動電腦輔助診斷系統。
  本研究對於組織牽扯的偵測主要為影像前處理、影像增強、乳房可疑區域分割、特徵參數擷取及乳房組織分類。首先影像前處理主要會使用Otsu法找尋最佳閥值,以此閥值對乳房影像進行區域成長初步之去除背景等資訊。在影像增強部分會使用向量收斂濾波器對乳腺組織做強化,接著以細線化方式突顯乳腺組織方向。乳房可疑區域分割部分會先以手動圈選去除胸大肌部分以減少誤判,再以前一步驟之影像尋找乳腺組織交會點,並由整體乳房平均灰階降低其取樣,最後由剩下之交會點周圍250×250pixels作為可疑區域。在特徵參數擷取部分是使用灰階共生矩陣及紋理頻譜,經由統計結果取得16個有效之紋理特徵。乳房組織分類則是使用倒傳遞類神經網路方式來減少可疑區域的誤判,進而找出組織牽扯區域。本研究所使用之影像為31個含有組織牽扯區域之影像,其中16張作為訓練組,另外15作為測試組。
  在結果方面,未進行胸大肌分割及平均閥值判斷時,其分類之結果當Sensitivity達到0.96時,所得偽陽性為391個,平均每張影像之偽陽性為26.07個,而在經過處理後優化之系統其所得之分類結果在Sensitivity達到0.98時,分類後所得之偽陽性為205個,平均每張影像之偽陽性為13.67個,因此加入去除胸大肌及平均閥值能有效的降影像中之可疑區域數量,進而提升系統之檢測效能。
  本研究以發展一套乳房影像組織牽扯偵測系統,雖然在結果上準確率並不是這麼理想,但可以大略的圈選出可疑區域,輔助醫生在組織牽扯診斷上之參考,並提供往後對組織牽扯研究上的一個方向。目前由於檔案類型不同,並不能完整結合乳房腫塊自動偵測系統及乳房為鈣化自動偵測系統,未來若能取得更多DICOM影像加以研究,期望能夠開發出一套完整之乳房影像電腦輔助診斷系統。

Malignancy has been a threatening disease to human in these years. The mortality rate of breast cancer is the fourth of malignancy in feminine. In previous researches, breast cancer screening in early stage can effectively reduce the morbidity and mortality of breast cancer. Architectural distortion (AD) is one of important index in breast cancer detection, but it can be ignored easily. The diagnosis of Asian woman in breast cancer is likely to be false positives (FP) because the breast’s density is higher than woman in West. The purpose of this study is to detect AD in Full-Field Digital Mammography (FFDM) image through the technology of medical imaging processing, and develop a computer-aided detection (CAD) system that suitable for the use in high density breast.
This study includes five stages for AD detection which are image preprocessing, image enhancement, segmentation of region of interest, capturing the texture features, and classification of breast tissue. The Otsu’s method was used to find the best threshold to remove the background and noise of image by region growing method during preprocessing stage. Convergence Index Filter for Vector Field and thinning method were used to enhancement breast tissue image. Before segmentation of region of interest, manual operation of circling pectoral muscle was used to reduce FP. The next step, we find intersection of breast tissue in the image, and use average intensity as threshold to reduce ROIs of image. Finally, the ROIs captured by obtaining 250×250 pixels area around intersection point. After capturing the texture features, Gray-Level Co-occurrence Matrix (GLCM) and texture spectrum were used to obtain features. According to the statistic results, 16 effective features are obtained. For classification of breast tissue, artificial neural network (ANN) is used to reduce FP, and find the AD in images. In this study, 31 images were collected, where 16 images and 15 images were served as training set and test set, respectively.
The results show that the sensitivity of this system is 0.96, and 391 FP and 26.07 FP/Image for test set without manual operation of circling pectoral muscle. After system optimization which including uncourting pectoral muscle area and using the average intensity of breast image as threshold, the sensitivity of system goes to 0.98, and total FP and FP/Image decrease to 205 and 13.67, respectively. Moreover, add the segmentation of circle pectoral muscle and threshold of breast average intensity can effectively decrease the number of ROIs of the image.
In this study, an Automatic Architectural Distortion Detection system of Mammography Image was developed. Although the accuracy of the result is not pretty well, the suspicious areas can still be roughly circled. This system gives the doctor supported reference in the diagnosis of architectural distortion, and provides a direction for future research on the architectural distortion. Because of the different file types, we cannot complete combination Masses Detection system and Clusters of Micro-calcification Detection system. It can become a complete Computer-Aided Diagnosis system of Full-Field Digital Mammography Image, after getting more DICOM files to test and study in the future.

目錄
摘 要 I
Abstract III
謝 誌 V
目 錄 VI
圖索引 X
表索引 XIII
第一章、緒論 1
1-1、研究背景 1
1-2、國內外文獻回顧 2
1-3、研究目的 7
1-4、論文架構 7
第二章、理論基礎 9
2-1、乳房X光攝影 9
2-1-1、功能 9
2-1-2、擺位 10
2-1-3、種類 11
2-2、組織牽扯 14
2-3、影像處理 15
2-3-1、影像前處理 15
2-3-1-1、影像正規化 15
2-3-1-2、濾除雜訊及背景 16
2-3-1-2-1、Otsu門檻化 16
2-3-1-2-2、區域成長法 17
2-3-1-2-3、高斯濾波器 18
2-3-2、影像強化 18
2-3-2-1、向量收斂濾波器 18
2-3-2-2、Iris濾波器 20
2-3-3、影像圈選 21
2-3-3-1、細線化 21
2-3-3-2、判斷細線化交會處 21
2-4、提取特徵值 22
2-4-1、灰階共生矩陣 23
2-4-2、紋路頻譜 24
2-5、類神經網路 28
2-6、系統之效能評估 29
第三章、研究架構與方法 31
3-1、研究材料與設備 31
3-1-1、研究材料 31
3-1-2、研究之軟硬體設備 31
3-2、研究流程 33
3-3、研究方法 33
3-3-1、影像前處理 35
3-3-1-1、去背景 35
3-3-2、影像強化 36
3-3-3、圈選可疑組織牽扯區域 38
3-3-4、組織牽扯區域紋理參數擷取 43
3-3-5、乳房組織分類 44
第四章、結果與討論 46
4-1、影像增強驗證 46
4-1-1、向量收斂濾波器效果驗證 46
4-1-2、向量收斂濾波器參數 48
4-2、降低組織牽扯誤判率 50
4-2-1、減少可疑區域圈選 51
4-2-2、紋理參數驗證結果 55
4-2-3、可疑區域大小減少誤判 56
4-2-4、組織牽扯區域紋理參數適用性評估 58
4-3、系統鑑別能力評估 60
4-3-1、倒傳遞類神經網路分類結果 60
4-3-2、所有乳房影像之組織牽扯偵測率 64
4-4、系統之誤判及評估 67
4-4-1、影像圈選之可疑區域討論 67
4-4-2、紋理特徵分類可能之誤判 70
4-4-3、系統限制 74
4-5、組織牽扯輔助偵測系統介面 75
4-5-1、使用者介面簡介 75
4-5-2、系統操作流程 77
第五章、結論與未來展望 83
5-1、結論 83
5-2、未來展望 84
參考文獻 86
附錄A. 89
作者自述 93

圖索引
圖 2 1、乳房內部構造 10
圖 2 2、MLO view影像和乳房組織分布圖 11
圖 2 3、CC view影像和乳房組織分布圖 11
圖 2 4、SFM、FFDM間接和直接成像比較 12
圖 2 5、SFM和FFDM動態範圍比較 13
圖 2 6、為SFM之影像及FFDM影像 14
圖 2 7、兩種典型的組織牽扯 15
圖 2 8、區域成長示意圖 17
圖 2 9、高斯濾波器 18
圖 2 10、prewit運算子 19
圖 2 11、向量收斂濾波器模型 19
圖 2 12、Iris向量收斂濾波器模型 20
圖 2 13、細線化之判斷序列 22
圖 2 14、交會點示意圖 22
圖 2 15、共生矩陣模擬圖 23
圖 2 16、紋路頻譜之編碼示意圖 25
圖 2 17、倒傳遞類神經網路示意圖 28
圖 3 1、組織牽扯影像樣本 32
圖 3 2、系統流程圖 34
圖 3 3、Otsu法計算之閥值 35
圖 3 4、k閥值區域成長完之影像 36
圖 3 5、Sobel濾波後及平均濾波後疊加回原圖之影像 37
圖 3 6、Iris向量收斂濾波後之影像及中值濾波後之影像 38
圖 3 7、以C(x,y)的最大值98%做二值化 39
圖 3 8、二值化影像進行斷開及閉合 39
圖 3 9、細線化後之影像 40
圖 3 10、去除胸大肌圖 41
圖 3 11、分割後之細線化影像及計算出之組織牽扯可疑中心 42
圖 3 12、灰階強度閥值刪去可疑區域中心示意圖 42
圖 3 13、圈選之影像可疑區域 43
圖 3 14、強化後之可疑區域 44
圖 3 15、類神經網路組織牽扯之訓練組及測試組 45
圖 4 1、向量收斂濾波器假體測試 47
圖 4 2、向量收斂濾波器之結果 47
圖 4 3、為影像改變Rmax的結果 48
圖 4 4、以不同Rmin對假體處理之結果 49
圖 4 5、使用不同Rmin值對影像做處理 50
圖 4 6、驗證交會點之假體影像 51
圖 4 7、原始影像及收斂濾波器強化後之影像 52
圖 4 8、圈選出之原影像及收斂濾波器對胸大肌強化後之影像 52
圖 4 9、原影像及收斂濾波器對腺體強化後之影像 53
圖 4 10、圈選出之原影像及收斂濾波器強化後之影像 54
圖 4 11、紋理參數驗證程式 55
圖 4 12、系統圈選出之可疑區域 60
圖 4 13、不同神經元accuracy輸出結果 61
圖 4 14、不同神經元specificity輸出結果 61
圖 4 15、測試組之ROC曲線 63
圖 4 16、23911527 LMLO及24629848 RCC之圈選影像 66
圖 4 17、醫師圈選之組織牽扯 67
圖 4 18、部分組織牽扯區域 68
圖 4 19、灰階變化較平滑之區域 68
圖 4 20、較大之灰階不均區 69
圖 4 21、方向特性明顯區域 69
圖 4 22、組織牽扯之方向趨勢紋理 70
圖 4 23、原影像所擷取之熵值 72
圖 4 24、強化影像所擷取之熵值 72
圖 4 25、原影像所擷取之能量值 73
圖 4 26、強化影像所擷取之能量值 73
圖 4 27、原圖影像及向量收斂濾波器處理後 74
圖 4 28、影像分割閥值 75
圖 4 29、系統介面 76
圖 4 30、影像開啟介面 77
圖 4 31、前處理之選項 78
圖 4 32、前處理後 78
圖 4 33、向量收斂濾波器參數設定 79
圖 4 34、找尋適合之乳腺紋路 79
圖 4 35、去除胸大肌訊息視窗 80
圖 4 36、去除胸大肌介面 80
圖 4 37、可疑區域中心點標示 81
圖 4 38、可疑組織牽扯區域分析 81
圖 4 39、組織牽扯可疑區域分析介面 82
圖 4 40、圈選之區域位置 82

表索引
表 1 1、民國101年行政院衛生署台灣地區十大死因 1
表 2 1、決策矩陣 29
表 3 1、訓練組與測試組之樣本數 32
表 4 1、胸大肌處理前後之可疑區域圈選個數 53
表 4 2、閥值判別前後之可疑區域圈選個數 54
表 4 3、假體影像擷取之紋理特徵特徵結果 56
表 4 4、不同之圈選尺寸紋理特徵t-test結果 57
表 4 5、訓練組影像擷取之紋理特徵特徵t-test結果 59
表 4 6、減少圈選處理前後Accuracy、Sensitivity和Specificity比較 62
表 4 7、減少圈選處理前後決策矩陣結果比較 63
表 4 8、訓練組及測試組之統計結果 64
表 4 9、測試組個別之分類結果 65
表 4 10、誤判之可疑區域紋理特徵 71
[1]台灣地區99年主要死因分析,行政院衛生署,http://www.doh.gov.tw/CHT2006/DM/DM2_2.aspx?now_fod_list_no=11962&class_no=440&level_no=4
[2]H. Burrell, A. Evans, A. Wilson, and S. Pinder, “False negative breast screening assessment: What lessons we can learn?,” Clin. Radiol., Vol. 56, no. 5, pp. 385–388, 2001.
[3]J. Brown, S. Bryan, and R. Warren, “Mammography screening: An incremental cost effectiveness analysis of double versus single reading of mammograms, ” Br. Med. J., Vol. 312, no. 7034, pp. 809–812, 1996.
[4]乳房攝影術,維基百科,http://zh.wikipedia.org/wiki/%E4%B9%B3%E6%88%BF%E6%94%9D%E5%BD%B1%E8%A1%93
[5]莊克士編著,醫學影像物理學,初版,臺北市,何計圖書出版社,民國87年
[6]S. Baeg and N. Kehtarnavaz, “Texture based classification of mass abnormalities in mammograms, ” Computer-Based Medical Systems, 2000. CBMS 2000. Proceedings. 13th IEEE symposium
[7]Arthur Burgess, “On the noise variance of a digital mammography system, ”Medical Physics 31 .7, July 2004:1987-1995
[8]Nevine H. Eltonsy, Georgia D. Tourassi, “A concentric morphology model for the detection of masses in mammography, ” IEEE transactions on medical imaging, Vol. 26, no. 06, June 2007
[9]Hidefumi Kobatake and Shigeru Hashimoto, “Convergence index filter for vector fields,” IEEE transactions on image processing, Vol. 8, no. 8, August 1999
[10]Fhbio JosC Ayres and Rangaraj Mandayam Rangayyim,“Characterization of architectural distortion in mammograms, proceedings of the 25” Annual international conference of the IEEE EMBS Cancun, Mexico September 17-21,2003
[11]T. Matsubara,T, D. Fukuoka, N. Yagi, T. Hara, H. Fujita, Y. Inenaga, S. Kasai, A. Kano, T. Endo, T. Iwase, “Detection method for architectural distortion based on analysis of structure of mammary gland on mammograms, ” International Congress Series Vol. 1281 May, 2005. p. 1036-1040
[12]F. J. Ayres and R. M. Rangayyan, “Reduction of false positives in the detection of architectural distortion in mammograms by using a geometrically constrained phase portrait model,” Int. J. Comput. Assist. Radiol. Surg., Vol. 1, no. 6, pp. 361–369, 2007.
[13]Sujoy Kumar Biswas, “Recognizing architectural distortion in mammogram: a multiscale texture modeling approach with GMM, ” IEEE transactions on biomedical engineering, Vol. 58, no. 7, July 2011
[14]吳國禎,資料探索在醫學資料庫之應用,中原大學醫學工程研究所碩士論文,中壢,民國89年
[15]B. Chandra, S. Nath, and A. Malhothra, “Classification and clustering of breast cancer images,” in Intl. Joint Conf. on Neural Networks, Jul 2006, pp. 3843–3847.
[16]黃國禎,全域數位乳房攝影之微鈣化群自動偵測系統,中原大學醫學工程研究所碩士論文,中壢,民國97年
[17]Shantanu Banik, Rangaraj M Rangayyan_, and J. E. Leo Desautels, “Detection of architectural distortion in prior mammograms of interval cancer cases with neural networks, ” 31st annual international conference of the IEEE EMBS Minneapolis, Minnesota, USA, September 2-6, 2009
[18]饒志綱,全域數為乳房攝影影像之腫塊自動偵測系統,中原大學醫學工程研究所碩士論文,中壢,民國98年
[19]你認識乳癌嗎?,花蓮佛教慈濟綜合醫院癌症醫學中心,http://www.tzuchi.com.tw/file/DivIntro/cancercenter/know/knowdetail.asp?pd_id=47
[20]林貞絢,赴美參加第五十屆美國醫學物理師學會年會暨放射物理中心參訪報告,行政院原子能委員會,民國97年
[21]“Planar receives FDA's first approval for flat-panel display use in mammography; dome Cx product line leads display innovation for diagnostic imaging, ” Business Wire, 23 June, 2004
[22]American College of Radiology (ACR), Illustrated Breast Imaging Reporting and Data System (BI-RADS), 3rd ed. Reston, VA: Amer. Coll. Radiol., 1998.
[23]T. Matsubara, T. Ichikawa, T. Hara, H. Fujita, S. Kasai, T. Endo, T. Iwase, “Automated detection methods for architectural distortions around skin line and within mammary gland on mammograms, ” International Congress Series 1256 (2003) 950–955
[24]繆紹綱,數位影像處理 Digital image processing 2/e,台灣培生教育出版股份有限公司,民國92年
[25]Robert M. Haralick, K. Shanmugam, and Its’hak Dinstein, “Textural features for image classification, ” IEEE trans. on Systems, Man, and Cybernetics, Vol. SMC-3, No. 6, November, 1973
[26]D.C.He and L.Wang. “Texture unit, texture spectrum and texture analysis,” Pattern recognition,Vol.24, No.5, pp.391-399, 1991.
[27]柯穎昌,一個使用紋理特徵的數位X光影像乳房腫瘤偵測方法,國立中正大學電機工程研究所碩士論文,嘉義,民國98年
[28]A.K.Jain, “Fundamentals of digital image processing, ” Englewood
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top