Unsupervised Detection of Mammogram Regions of Interest
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F07%3A00085867" target="_blank" >RIV/67985556:_____/07:00085867 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—
Alternative languages
Result language
angličtina
Original language name
Unsupervised Detection of Mammogram Regions of Interest
Original language description
We present an unsupervised method for fully automatic detection of regions of interest containing fibroglandular tissue in digital screening mammography. The unsupervised segmenter is based on a combination of several unsupervised segmentation results, each in different resolution, using the sum rule. The mammogram tissue textures are locally represented by four causal monospectral random field models recursively evaluated for each pixel. The single-resolution segmentation part of the algorithm is basedon the underlying Gaussian mixture model and starts with an over segmented initial estimation which is adaptively modified until the optimal number of homogeneous mammogram segments is reached.
Czech name
Neřízené rozpoznávání oblastí zájmu na mamogramech
Czech description
Článek prezentuje neřízenou metodu rozpoznávání umožňující zcela automatickou detekci oblastí zájmu, které obsahují fibrozně-žlázovitou tkáň, z digitálních roentgenových mamogramů. Neřízená segmentační metoda kombinuje několik neřízených segmentačních výsledků, každý v jiném rozlišení, pomocí sumačního pravidla. Mamografické tkáňové textury jsou lokálně reprezentovány čtyřmi kauzálními modely náhodných polí rekurzivně pro každý pixel. Segmentační část metody pro jedno měřítko je založena na gaussovskémsměsovém modelu a začíná z přesegmentovaného odhadu, který se adaptivně mění, až se dosáhne optimální počet homogenních oblastí. Vlastnosti publikované metody jsou rozsáhle testovány na Digital Database for Screening Mammography (DDSM) z University of South Florida a na Prague Texture Segmentation Benchmark pomocí nejpoužívanějších segmentačních kriterií. Metoda dosahuje lepší výsledky než několik alternativních testovaných texturních segmentačních metod.
Classification
Type
J<sub>x</sub> - Unclassified - Peer-reviewed scientific article (Jimp, Jsc and Jost)
CEP classification
BD - Information theory
OECD FORD branch
—
Result continuities
Project
Result was created during the realization of more than one project. More information in the Projects tab.
Continuities
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>Z - Vyzkumny zamer (s odkazem do CEZ)<br>R - Projekt Ramcoveho programu EK
Others
Publication year
2007
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Name of the periodical
Lecture Notes in Computer Science
ISSN
0302-9743
e-ISSN
—
Volume of the periodical
2007
Issue of the periodical within the volume
4694
Country of publishing house
DE - GERMANY
Number of pages
8
Pages from-to
33-40
UT code for WoS article
—
EID of the result in the Scopus database
—