دانلود مقاله ISI انگلیسی شماره 24462
ترجمه فارسی عنوان مقاله

یک الگوریتم تقسیم بندی عضلات سینه ای برای ماموگرافی دیجیتال با استفاده از آستانه اوتسو و تجزیه و تحلیل رگرسیون چندگانه

عنوان انگلیسی
A pectoral muscle segmentation algorithm for digital mammograms using Otsu thresholding and multiple regression analysis
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
24462 2012 8 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Computers & Mathematics with Applications, Volume 64, Issue 5, September 2012, Pages 1100–1107

ترجمه کلمات کلیدی
() - ماموگرافی - عضله سینه ای - آستانه اوتسو - تجزیه و تحلیل رگرسیون چندگانه () -
کلمات کلیدی انگلیسی
Mammogram, Pectoral muscle, Otsu thresholding, Multiple regression analysis (MRA),
پیش نمایش مقاله
پیش نمایش مقاله  یک الگوریتم تقسیم بندی عضلات سینه ای برای ماموگرافی دیجیتال با استفاده از آستانه اوتسو و تجزیه و تحلیل رگرسیون چندگانه

چکیده انگلیسی

One of the issues when interpreting a mammogram is that the density of a pectoral muscle region is similar to the tumor cells. The appearance of pectoral muscle on medio-lateral oblique (MLO) views of mammograms will increase the false positives in computer aided detection (CAD) of breast cancer. For this reason, pectoral muscle has to be identified and segmented from the breast region in a mammogram before further analysis. The main goal of this paper is to propose an accurate and efficient algorithm of pectoral muscle extraction on MLO mammograms. The proposed algorithm is based on the positional characteristic of pectoral muscle in a breast region to combine the iterative Otsu thresholding scheme and the mathematic morphological processing to find a rough border of the pectoral muscle. The multiple regression analysis (MRA) is then employed on this rough border to obtain an accurate segmentation of the pectoral muscle. The presented algorithm is tested on the digital mammograms from the Mammogram Image Analysis Society (MIAS) database. The experimental results show that the pectoral muscle extracted by the presented algorithm approximately follows that extracted by an expert radiologist