Item
Universitat de Girona. Departament d’Electrònica, Informà tica i Automà tica | |
Oliver i Malagelada, Arnau | |
2007 July 11 | |
Aquesta tesi està emmarcada dins la detecció precoç de masses, un dels sÃmptomes més clars del cà ncer de mama, en imatges mamogrà fiques. Primerament, s’ha fet un anà lisi extensiu dels diferents mètodes de la literatura, concloent que aquests mètodes són dependents de diferent parà metres: el tamany i la forma de la massa i la densitat de la mama. AixÃ, l’objectiu de la tesi és analitzar, dissenyar i implementar un mètode de detecció robust i independent d’aquests tres parà metres. Per a tal fi, s’ha construït un patró deformable de la massa a partir de l’anà lisi de masses reals i, a continuació, aquest model és buscat en les imatges seguint un esquema probabilÃstic, obtenint una sèrie de regions sospitoses. Fent servir l’anà lisi 2DPCA, s’ha construït un algorisme capaç de discernir aquestes regions són realment una massa o no. La densitat de la mama és un parà metre que s’introdueix de forma natural dins l’algorisme. This thesis deals with the detection of masses in mammographic images. As a first step, Regions of Interests (ROIs) are detected in the image using templates containing a probabilistic contour shape obtained from training over an annotated set of masses. Firstly, PCA is performed over the training set, and subsequently the template is formed as an average of the gradient of eigenmasses weighted by the top eigenvalues. The template can be deformed according to each eigenmass coefficient. The matching is formulated in a Bayesian framework, where the prior penalizes the deformation, and the likelihood requires template boundaries to agree with image edges. In the second stage, the detected ROIs are classified into being false positives or true positives using 2DPCA, where the new training set now contains ROIs with masses and ROIs with normal tissue. Mass density is incorporated into the whole process by initially classifying the two training sets according to breast density. Methods for breast density estimation are also analyzed and proposed. The results are obtained using different databases and both FROC and ROC analysis demonstrate a better performance of the approach relative to competing methods. |
|
application/pdf | |
9788469080191 | |
DL Gi.1188-2007 http://www.tdx.cat/TDX-0823107-123027 http://hdl.handle.net/10803/7739 |
|
http://hdl.handle.net/10256/4909 | |
eng | |
Universitat de Girona | |
ADVERTIMENT. L’accés als continguts d’aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, aixà com en activitats o materials d’investigació i docència en els termes establerts a l’art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l’autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el tÃtol de la tesi doctoral. No s’autoritza la seva reproducció o altres formes d’explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d’un lloc aliè al servei TDX. Tampoc s’autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i Ãndexs. | |
Cancer de mama
Breast cancer Cà ncer de mama Automatic classification Clasificació automà tica Clasificación automática Segmentació de massa Mass segmentation Segmentación de masa Inteligencia artificial Artificial intelligence Intel·ligència artificial Visión por computador Computer vision Visió per ordinador MamografÃa Mamografia Mammography 618 - Ginecologia. Obstetricia 68 - Indústries, oficis i comerç d’articles acabats. Tecnologia cibernètica i automà tica |
|
Automatic mass segmentation in mammographic images | |
info:eu-repo/semantics/doctoralThesis | |
DUGiDocs |