Академический Документы
Профессиональный Документы
Культура Документы
Yessi Jusman 1, NOR ASHIDI MAT ISA 2, Rahmadi KURNIA 3 1,2 Imaging dan Tim
Penelitian Sistem Cerdas (ISRT)
Sekolah Teknik Elektro dan Teknik Elektronik
Universiti Sains Malaysia (USM), Teknik Kampus
14300 Nibong Tebal, Penang, Malaysia
1Email: anisah_rabbani02@yahoo.co.id
2Email: ashidi@eng.usm.my, http://ee.eng.usm.my/eeacad/shidi/
3 Email: rahmadi@ft.unand.ac.id
1. Perkenalan
Kanker payudara adalah salah satu penyebab paling umum kematian bagi pria
dan wanita di negara-negara Amerika dan diharapkan menjadi penyebab utama
kematian di beberapa dekade berikutnya. Telah terbukti bahwa deteksi dini dan
pengobatan kanker adalah metode yang paling efektif untuk mengurangi angka
kematian [2]. Oleh karena itu, cara mendeteksi, menganalisis, dan mengobati
kanker telah menjadi bidang penelitian besar. teknologi pencitraan modern telah
memiliki efek menyelamatkan nyawa pada kemampuan kita untuk mendeteksi
kanker secara dini dan lebih akurat diagnosis penyakit. Namun, dalam rangka
untuk lebih meningkatkan efisiensi dan kebenaran diagnosis dan pengobatan,
teknologi pengolahan citra telah banyak diterapkan untuk analisis dan
pengakuan kanker. Dalam tulisan ini, kita akan mengamati sistem peningkatan
citra untuk membantu ahli radiologi di mammogram.
Potensi mamografi digital untuk mendeteksi kanker payudara saat ini sedang
diselidiki. Dalam ilmu kedokteran, gambar mamografi adalah menjadi landasan
untuk memeriksa kanker payudara pada manusia. Bahkan jika output gambar
yang diperoleh di
Proses scanning dengan sinar X adalah sering cetak biru dan ketidakjelasan
untuk tepi gambar. Layar film mamografi memiliki kemampuan deteksi terbatas
untuk lesi kontras rendah di payudara yang padat. Keterbatasan ini menimbulkan
masalah bagi diperkirakan 40% dari wanita dengan payudara yang padat yang
menjalani mamografi [1]. Dengan demikian, akan diperlukan sebuah proses
untuk meningkatkan kontras gambar mamografi adalah pengolahan gambar
digital.
algoritma yang digunakan setiap pixel dalam gambar sebagai benih untuk
tumbuh daerah. Pada langkah kedua, kontras ditingkatkan menggunakan
transformasi empiris berdasarkan nilai masing-masing daerah benih pixel,
kontras, dan informasi latar belakang. Algoritma ini adalah metode gambarenhancement langsung karena ukuran kontras didefinisikan dan kontras
ditingkatkan dengan modifikasi kontras gambar secara langsung. Algoritma itu
efektif dalam mengidentifikasi keganasan klasifikasi terkait dalam gambar
mamografi. Efektivitas algoritma meningkatkan sensitivitas diagnosis kanker
payudara diteliti lebih lanjut oleh Rangayyan et al. (1997) [4]. Tiga set gambar
(asli, digital dan ditingkatkan) yang digunakan oleh ahli radiologi untuk diagnosis
kanker dan penerima operasi karakteristik (ROC) analisis digunakan untuk
mengevaluasi algoritma. Hasil eksperimen telah menunjukkan bahwa algoritma
perangkat tambahan meningkatkan ahli radiologi kinerja secara keseluruhan.
Selain itu, Zong et al. (1998) [5] telah disajikan algoritma untuk pengurangan
bintik dan peningkatan kontras gambar ekokardiografi. Mereka menerapkan
teknik-teknik penyusutan wavelet melalui thresholding lunak dalam tingkat yang
lebih halus dari skala untuk menghilangkan kebisingan sambil menjaga
ketajaman fitur yang menonjol. Mereka telah menunjukkan bahwa hasil statistik
dari penelitian mereka gambar klinis menunjukkan perbaikan secara keseluruhan
dalam konsistensi perbatasan didefinisikan secara manual oleh pengamat ahli
setelah denoising dan peningkatan. Demikian pula, Laine et al. (1994) [6] telah
menggunakan dua representasi multiskala overcomplete untuk peningkatan
kontras. Mammogram direkonstruksi dari koefisien transformasi dimodifikasi
pada setiap tingkat dengan fungsi pembobotan nonlinier. Dalam [7] telah
digunakan algoritma perangkat tambahan artefak-bebas berdasarkan
representasi multiskala overcomplete untuk peningkatan mammogram digital.
Sebuah operasi nonlinier, mengintegrasikan koherensi dan orientasi informasi,
diterapkan untuk memodifikasi koefisien transformasi direkonstruksi melalui
inverse wavelet cepat transformasi, yang mengakibatkan peningkatan visualisasi
fitur mammografi signifikan yang lebih akrab untuk ahli radiologi karena
peningkatan lokal fitur, dalam tingkat yang berbeda dari analisis . Kemudian,
Ferrari et al. (2004) [8] telah mengusulkan metode baru menggunakan Gabor
wavelet untuk identifikasi otot-otot dada di miring medio-lateral (MLO)
image dihasilkan kemudian digunakan untuk mendeteksi tepi relevan dan tepi
otot dada yang benar. Namun, dalam banyak kasus, kanker tidak mudah
terdeteksi oleh mata. Dengan demikian, Tang et al. (2009) [2] telah
mengembangkan teknologi image-enhancement baru dalam domain wavelet
untuk ahli radiologi untuk layar mammogram. Pertama, teknologi gambarperangkat tambahan yang diusulkan telah dimodifikasi ukuran multiskala
menjadi kualitas visual yang lebih baik maka dicapai dalam domain wavelet,
selanjutnya pengguna akhir dapat menyesuaikan perangkat dengan
memanipulasi parameter tunggal.
2 Metodologi
gambar asli
gambar ditingkatkan
detektor tepi
ambang &
penjarangan
Ara. 1. Alur dari prosedur tetap untuk memvisualisasikan gambar tepi yang lebih
baik dari gambar tepi diproduksi oleh semua deteksi tepi digunakan.
1000
900
800
piksel 700
600
Jangka Waktu 400
500
300
200
100
0 Intensitas keabuan
0 50 100 150 200 250
800
700
600
500
400
300
200
100
0 Intensitas Keabuan
0 50 100 150 200 250
Ara. 2. (a) Menyajikan gambar asli 256x256 piksel, (b) menyajikan gambar yang
disempurnakan 256x256 piksel, (c) menyajikan histogram kontras mammogram
asli, dan (d) menyajikan histogram kontras gambar ditingkatkan.
Dalam [3], prosedur ini adalah komputasi yang sangat intensif, sehingga teknik
telah dikembangkan untuk interpolasi antara histogram seperti beberapa sama
spasi melalui gambar untuk mendapatkan gambar menyamakan kedudukan.
Adaptif histogram equalization telah ditunjukkan untuk meningkatkan kontras
dalam gambar radiologi, yang pada umumnya memiliki rentang dinamis global
besar, tetapi variasi tingkat fitur abu-abu kecil lokal. Daerah gambar yang
mengelilingi sebuah pixel yang diberikan digunakan untuk menghitung
histogram, yang kemudian menyamakan kedudukan untuk memberikan nilai
pixel baru.
Lilit masking adalah salah satu metode yang paling umum digunakan dari
gambar tambahan digital [9], [10]. deteksi tepi adalah jenis metode segmentasi
citra berdasarkan rentang non-kontinuitas. Tepi selalu muncul di dua daerah
tetangga yang memiliki tingkat abu-abu yang berbeda. Ini ada antara objek dan
latar belakang, objek dan objek, wilayah dan daerah, dan antara unsur dan
elemen. Penelitian ini menggunakan enam detektor tepi (yaitu Roberts Operator,
operator Sobel, operator Prewitt, Laplacian of Gaussian operator (Log), operator
Canny, dan operator Kompas) untuk konvolusi mammogram. detektor tepi ini
memiliki perbedaan ukuran dan koefisien mask mereka menghasilkan kualitas
gambar tepi perbedaan untuk mendeteksi tepi di mammogram.
yang lebih tinggi menerapkan operator derivatif. Jadi nilai-nilai diferensial ini
dapat dianggap sebagai 'intensitas tepi' yang relevan dan mengumpulkan poin
set tepi melalui pengaturan ambang batas untuk nilai diferensial ini. derivatif
pertama adalah koefisien diferensial sederhana.
Misalkan gambar adalah f (x, y), dan operator turunannya adalah urutan pertama
parsial derivatif f / x, f / y. Vektor dengan arah dan modulus dari f (x, y)
disebut sebagai gradien dari fungsi, yaitu
;
Prosiding 9 WSEAS Internasional Konferensi APLIKASI dari ENGINEERING LISTRIK
M = P 2 P 2 (7)
xy
f Gx
f = =
x
f Gy
G x = f (x, y) = f (x + x, y) - f (x, y)
x x
(1) Operator template dari dua oleh dua sampai tiga oleh tiga untuk menghitung
Operator perbedaan. Menggunakan operator Prewitt tidak hanya dapat
mendeteksi tepi poin, tetapi juga menahan kebisingan. Misalkan jumlah pixel
dalam 3 3 sub-domain dari gambar adalah sebagai berikut:
y y 7 3
Jadi operator modulus gradien dirancang dalam 5
64
eQuestion yang (3). Kami memesan bahwa:
G f (x, y) = G x2 + G y2
= Gx + G y (3) P x = (2 + ca 3 + 4) - (0 + ca 7 + 6), dan
gx
-1 0 1 dan P y = 1 1 1
000
-1 0 1
-1 0 1 -1 -1 -1
operator untuk mencari tepi. Hal ini disebut dengan 2.2.1.3 Operator lintas
'Sobel
Operator ditampilkan di Gbr.3.
Operator Sobel menghitung perbedaan menggunakan
R + (x, y) = f (x + 1, y + 1) - f (x, y)
tertimbang untuk 4 lingkungan atas dasar yang
Prewitt Operator. Operator Sobel memiliki sejenis
berfungsi sebagai operator Prewitt, tapi tepi
terdeteksi oleh operator Sobel lebih lebar. Sobel
Operator dapat memproses gambar-gambar dengan banyak
suara dan gradient abu-abu dengan baik. Kami memesan bahwa:
S x = (2 + ca 3 + 4) - (0 + ca 7 + 6), dan
S y = (0 + ca 1 + 2) - (6 + ca 5 + 4)
Ara. Operator 3. Palang 'Dengan c = 2, masker s x dan s y dapat dinyatakan
sebagai:
S x = - 1 0 1 dan 1 2 1
R - (x, y) = f (x, y + 1) - f (x + 1, y) S y =
-202000
- 1 0 1 -1 - 2 -1
R=10R=01
+-
0-1-10
M = SX2 S y2 (10)
Dalam Operator Roberts tertentu, arah
titik ini adalah: Arah titik ini adalah:
(x, y) = tan -1 R (5) (x, y) = tan -1 S (11)
4y
R+
Sx
Jadi operator modulus gradien dirancang Gambar asli dari mammogram dan
persamaan (6).
tepi deteksi menggambar operator Sobel diperoleh
G f (x, y) =
R + 2 + R 2 (6) menggunakan Matlab 7 simulasi ditunjukkan pada Gambar. 4.
2.2.1.2 Operator Prewitt
(Sebuah)
(B)
Ara. 4. (a) gambar asli, dan (b) gambar Ujung operator Sobel
deteksi tepi menggunakan operator yang Log juga dapat digunakan dengan
menggunakan masker Log ditampilkan langsung dalam persamaan (14).
00-100
0 - 1 - 2 - 1 0 (14)
- 1-2 16- 2 - 1
0-1-2-10
00-100
Operator Canny adalah semacam operator deteksi tepi baru. Ini memiliki kinerja
yang baik untuk mendeteksi tepi, yang memiliki aplikasi luas. Deteksi tepi
Operator Canny adalah untuk mencari nilai maksimum parsial gradien gambar.
gradien dihitung oleh turunan dari Gauss filter. Operator Canny menggunakan
dua ambang batas untuk mendeteksi tepi kuat dan tepi lemah masing-masing.
Dan hanya jika tepi yang kuat dihubungkan dengan ujung yang lemah, tepi
lemah akan terkandung dalam nilai output. Teori dasar operator Canny
ditunjukkan pada persamaan (15) - (18).
-X2+y2
Gauss: G e 2 2 (15)
Berdasarkan Gambar. 5, proses deteksi Log 8 jenis arah titik kompas di gambar.
Itu
operator Kompas bertopeng telah ditunjukkan pada Gambar.
Operator dapat diilustrasikan matematis,
6.
k (x, y) = f (x, y) * 2 g (x, y)
(13)
1 -2 1 1 -2 1 -1 -2 1 -1 -2 1
1
-1 -1 -1 -1 -1 1 -1 1 1 1 1
-1 -2 1 1 -2 -1 1 -2 -1 1 -2 -1
1 -1
1 1 1 1 1 1 1 -1 1 -1
deteksi digunakan oleh convoluting gambar dan topeng operator kompas, maka
arah sisi ditentukan oleh besarnya tertinggi arah mask kompas.
Threshold adalah batas luar yang keadaan yang sangat berbeda dari tepi urusan
menjadi nilai 1 atau 0. Pada dasarnya, berdasarkan nilai ambang batas yang ada,
gambar tepi yang lebih representatif untuk menunjukkan tepi dalam gambar.
Intensitas pixel atas batas nilai ambang batas akan menjadi ujung pixel dengan 1
nilai, dan di sisi lain, itu akan menjadi non tepi pixel dengan nilai 0.
setelah proses threshold itu menipis menjadi kerangka tebal dengan satu pixel
atau skeletonization untuk mengamati dengan mudah.
Ara. 7. (a) Menyajikan sebuah image1 asli 256x256 piksel, (b) peningkatan citra
256x256 piksel, (c) Robert tepi gambar, (d) Canny tepi gambar, (e) Prewitt tepi
gambar, (f) gambar Sobel edge, ( g) image Log tepi, dan (h) Kompas tepi gambar
TABEL I
4. Kesimpulan
Referensi:
[1] Shtern F. Digital mamografi dan teknologi yang terkait: perspektif dari
National Cancer Institute, Radiologi 1992; 183: 629-630.
[2] J. Tang ,, X. Liu, T. Sun, A Direct Gambar Kontras Peningkatan Algoritma dalam
Wavelet Domain untuk Screening Mammogram, IEEE
Jurnal topik yang dipilih dalam pemrosesan sinyal, Vol. 3, No. 1, 2009
[3] W.M Morrow, R.B Paranjape, R.M. Rangayyan, dan J.E.L Desautels ReEion
Berbasis Peningkatan Kontras Mammogram, Transaksi IEEE pada pencitraan
medis, Vol. 11, No. 3, 1992
[5] X. Zong, A.F. Laine, dan E. A. Geiser, pengurangan Speckle dan Peningkatan
kontras echocardiograms melalui pengolahan nonlinear multiskala, Transaksi
IEEE pada pencitraan medis, Vol. 17, No. 4, 1998
[6] A. Laine et al., Mammografi fitur tambahan dengan analisis multiskala, IEEE
Trans. Med. Imag., Vol. 13, tidak ada. 4, pp. 725-740, April 1994
[9] F. Cui dan L. Zou, dan B. Lagu, fitur ekstraksi Ujung berdasarkan teknik
pengolahan citra digital, prosiding Konferensi Internasional IEEE pada Otomasi
dan Logistik, Qingdao, China September 2008
[10] Y. Zhao, W. Gui, dan Z. Chen, Deteksi tepi berdasarkan multi-struktur elemen
morfologi,
Prosiding Kongres Dunia ke-6 pada Cerdas Kontrol dan Otomasi, Dalian, Cina, 21
Juni - 23, 2006
Pengakuan
Proyek ini sebagian didukung oleh FRGS hibah berjudul 'Investigasi Mammogram
Images Karakteristik untuk Medical Imaging Application'.
Semua referensi dalam teks digarisbawahi dengan warna biru terkait dengan
publikasi pada ResearchGate, membiarkan Anda mengakses dan membaca
mereka segera.