ỨNG DỤNG BIẾN ĐỔI WAVELET VÀ MẠNG NƠRON ĐỂ PHÁT HIỆN VÀ CHẨN ĐOÁN CÁC HÓA VÔI RẤT NHỎ TRÊN NHŨ ẢNH

Hứa Thị Hoàng Yến, Nguyễn Hữu Phương*

   Khoa Vật lý, Trường Đại học Khoa học Tự Nhiên

         * Khoa Điện tử-Viễn thông, Trường Đại học Khoa học Tự Nhiên

Tóm tắt:

Ung thư ngực là chứng ung thư phổ biến và là nguyên nhân thứ hai gây tử vong do ung thư của phụ nữ. Ảnh X-quang số là một trong những phương pháp thích hợp để phát hiện sớm ung thư. Tuy nhiên, rất khó để phân biệt giữa các hóa vôi lành tính và ác tính, điều này dẫn đến nhiều cái chết do phát hiện trễ hoặc chẩn đoán sai. Một hệ thống chẩn đoán nhũ ảnh trợ giúp bởi máy tính có thể cung cấp một ý kiến thứ hai nhằm hỗ trợ các chuyên gia trong chẩn đoán. Các hóa vôi rất nhỏ tương ứng với các thành phần tần số cao của phổ ảnh, phát hiện các hóa vôi bằng cách phân giải ảnh thành các dải băng con ở tần số khác nhau, loại băng con tần số thấp, và cuối cùng, xây dựng lại nhũ ảnh từ các băng con chỉ gồm các thành phần tần số cao. Một tập 3 đặc trưng (độ biến thiên, entropy và độ lệch chuẩn) được tính từ phân giải wavelet là 3 ngõ vào của mạng nơron. Mạng gồm một lớp ẩn được huấn luyện với 5 nút ẩn, sai số bình phương trung bình MSE khoảng 1,5e-006. Hệ thống thực thi tốt trên các ảnh dữ liệu với hiệu suất đạt 91%. Kết quả này cho thấy ưu điểm của phép biến đổi wavlet kết hợp mạng nơron trong các hệ thống chẩn đoán trợ giúp bởi máy tính.

APPLICATION OF WAVELET TRANSFORM AND NEURAL NETWORKS TO DETECT AND DIAGNOSE MICROCALCIFICATIONS IN MAMMOGRAMS

 Hua Thi Hoang Yen, Nguyen Huu Phuong*

Faculty of Physics, University of Natural Sciences

*Faculty of Electronics & Telecommunications, University of Natural Sciences

Abstract:

 Breast cancer accounts for the most cancer diagnoses and the second most cancer deaths of women. Digital mammography is one of the most suitable methods for early detection of breast cancer. However, it is very difficult to distinguish benign and malignant microcalcifications (MCs). There are many deaths caused by late detection or misdiagnosis. An intelligent computer-aided diagnosis system (CAD) can provide a second opinion to the radiologists. Given that the MCs correspond to high frequency components of the image spectrum, detection of MCs is achieved by decomposing the mammograms into different frequency subbands, suppressing the low frequency subband, and, finally, reconstructing the mammogram from the subbands containing only high frequencies. A combination of 3 features (variance, entropy and standard deviation) which computed by discrete wavelet transform were used as inputs to neural network. The network consists of one hidden layer with 5 nodes, and has the mean square error (MSE) about 1,5e-006. The system accuracy fitting well with the performance is 91% on data images. The result shows the advantage of wavelet transform associated with neural network in CAD system for mammography.