Background and objectives: Mammography analysis is an effective technology for early detection of breast cancer. Micro-calcification clusters (MCs) are a vital indicator of breast cancer, so detection of MCs plays an important role in computer aided detection (CAD) system, this paper proposes a new hybrid method to improve MCs detection rate in mammograms.Methods: The proposed method comprises three main steps: firstly, remove label and pectoral muscle adopting the largest connected region marking and region growing method, and enhance MCs using the combination of double top-hat transform and grayscale-adjustment function; secondly, remove noise and other interference information, and retain the significant information by modifying the contourlet coefficients using nonlinear function; thirdly, we use the non-linking simplified pulse-coupled neural network to detect MCs. Results: In our work, we choose 118 mammograms including 38 mammograms with micro-calcification clusters and 80 mammograms without micro-calcification to demonstrate our algorithm separately from two open and common database including the MIAS and JSMIT; and we achieve the higher specificity of 94.7%, sensitivity of 96.3%, AUC of 97.0%, accuracy of 95.8%, MCC of 90.4%, MCC-PS of 61.3% and CEI of 53.5%, these promising results clearly demonstrate that the proposed approach outperforms the current state-of-the-art algorithms. In addition, this method is verified on the 20 mammograms from the People's Hospital of Gansu Province, the detection results reveal that our method can accurately detect the calcifications in clinical application. Conclusions: This proposed method is simple and fast, furthermore it can achieve high detection rate, it could be considered used in CAD systems to assist the physicians for breast cancer diagnosis in the future

چکیده

سابقه و هدف: تحلیل ماموگرافی یک تکنولوژی موثر برای تشخیص زود هنگام سرطان پستان است. خوشه های میکروکلسیفیکاسیون (MC) یک شاخص حیاتی در سرطان پستان هستند و بنابراین تشخیص MC ها نقش مهمی در روند تشخیص به کمک کامپیوتر می کند (CAD) این مقاله یک روش ترکیبی جدید برای بهبود نسبت تشخیص MC در ماموگرافی پیشنهاد می دهد. روش: این روش پیشنهادی شامل سه مرحله ی اصلی می باشد: ابتدا باید نشانه حذف شده و عضلات پستان که بزرگترین ناحیه ی متصل را شناسایی کرده و روش رشد ناحیه را مورد استفاده قرار داده و با استفاده از ترکیبی از تبدیل دوگانه ی top-hat و تابع تطبیق مقیاس خاکستری، MC را ارتقا می دهیم؛ دوماً اطلاعات نویزدار و تداخلی را حذف می کنیم و با تغییر ضرایب کانتورلت با استفاده از تابع غیرخطی، اطلاعات معنی دار و درست را نگاه می داریم. سوماً از شبکه ی عصبی پالس همراه ساده شده ی بدون اتصال برای شناسایی MC ها استفاده می کنیم. نتایج: در این اثر، ما 118 آزمایش ماموگرافی را انتخاب می کنیم که شامل 38 ماموگرافی با خوشه های میکروکلسیفیکاسیون و 80 ماموگرافی بدون این شاخص هستند و نشان می دهیم الگوریتم ما به طور جداگانه از دو پایگاه داده ی مشترک و باز از جمله MIAS و JSMIT تشکیل شده است؛ مشخصه ی 94.7%، حساسیت 96.3% و AUC به میزان 97.0% و دقت 95.8% و MCC 90.4% و MCC-PS 61.3% و CEI 53.5% را داریم و این نتایج امیدوار کننده نشان می دهند که روش پیشنهادی از روش های جدید بهتر عمل می کند. علاوه بر این، این روش روی 20 ماموگرافی از بیمارستان مردمی استان گانسو تأیید شده است و نتایج تشخیص نشان می دهند که روش ما به دقت می توان کلسیفیکاسیون را در کاربردهای بالینی تشخیص دهد. نتیجه گیری: این روش پیشنهادی، ساده و سریع است و به نرخ تشخیص بالایی دست یافته است آن را می توان در سیستم های CAD مورد استفاده قرار داد که برای تشخیص سرطان پستان در آینده به پزشکان کمک خواهد کرد.

1-مقدمه

سرطان پستان یک مشکل سلامتی عمومی است که به شدت شایع بوده و میزان مرگ و میر زیادی را به خود اختصاص می دهد به خصوص در میان زنان. به گزارش آژانس بین المللی تحقیقات سرطان (IARC) در سال 2012 برآورد شد که نزدیک به 1.7 میلیون انسان در مقیاس جهانی مبتلا به سرطان پستان هستند که نزدیک به 11.9% از کل سرطان ها را شامل می شود و در حدود 0.52 میلیون زن مبتلا به این بیماری در همان سال مرده اند…