디지털 마모그램에서 형태적 분석과 다단 신경 회로망을 이용한 효율적인 미소석회질 검출 = An Effective Microcalcification Detection in Digitized Mammograms Using Morphological Analysis and Multi-stage Neural Network

국문 초록 (Abstract)

유방암은 최근에 빠르게 증가하고 있는 여성 암중의 하나이며 그 발명원인이 불명확하여 조기 검출만이 생존율을 높일 수 있는 유일한 방법이다. 본 논문에서는 효율적으로 미소석회질의 의심 영역을 검출할 수 있는 방법에 대하여 설명한다. 본 논문에서는 디지털 마모램 영상에 대한 통계적 분석으로부터 일반적인 미소석회질의 특성을 분석한 후 분석된 자료를 이용하여 다단 신경망을 구성한 후 의심영역으로 간주되는 ROI를 검출한다. ROI 검출을 위하여 4단계로 구성되는 알고리즘을 제안하며 전처리 과정, 다단계 thresholding, 선형필터를 이용한 1차 미소석회질 선별작업, 다단계 신경망을 이용한 2차 미소석회질 검출이 포함된다. 선형필터를 이용한 1차 선별작업에서는 모든 미소석회질을 검출할 수 있었고 유방조직 제거를 통한 신경망에서의 작업처리 감소율이 86％로 나타났다. 2단 신경망을 이용한 2차 미소석회질 검출단계에서 첫 번째 신경망에서는 미소석회질의 형태적 특성을 기반으로 11개의 특징 값들을 정의하였으며 모든 데이터에 대한 실험 결과 평균 96.66％의 인식률을 보였다. 그리고 두 번째 신경망에서는 첫 번째 인식 결과 값과 미소석회질의 군집특성을 이용하기 위해 첫 번째 인식결과를 토대로 조사된 군집분포 여부를 특징 값으로 사용하였으며 그 결과 1차 신경망보다 높은 평균 98.26％의 인식률을 보였다.

다국어 초록 (Multilingual Abstract)

The mammogram provides the way to observe detailed internal organization of breasts to radiologists for the early detection. This paper is mainly focused on efficiently detecting the Microcalcification's Region Of Interest(ROI)s. Breast cancers can be caused from either microcalcifications or masses. Microcalcifications are appeared in a digital mammogram as tiny dots that have a little higher gray levels than their surrounding pixels. We can roughly determine the area which possibly contain microcalifications. In general, it is very challenging to find all the microcalcifications in a digital mammogram, because they are similar to some tissue parts of a breast. To efficiently detect microcalcifications ROI, we used four sequential processes; preprocessing for breast area detection, modified multilevel thresholding, ROI selection using simple thresholding filters and final ROI selection with two stages of neural networks. The filtering process with boundary conditions removes easily-distinguishable tissues while keeping all microcalcifications so that it cleans the thresholded mammogram images and speeds up the later processing by the average of 86％. The first neural network shows the average of 96.66％ recognition rate. The second neural network performs better by showing the average recognition rate 98.26％. By removing all tissues while keeping microcalcifications as much as possible, the next parts of a CAD system for detecting breast cancers can become much simpler.