All

What are you looking for?

All
Projects
Results
Organizations

Quick search

  • Projects supported by TA ČR
  • Excellent projects
  • Projects with the highest public support
  • Current projects

Smart search

  • That is how I find a specific +word
  • That is how I leave the -word out of the results
  • “That is how I can find the whole phrase”

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