21
ini
dapat
berguna
untuk
mendeteksi
mikrokalsifikasi pada
gambar
mammogram
(Mallat, 1989; Cohen, 1992).
Boryczko,
dkk melakukan
algoritma
4-tingkat transformasi
wavelet diskrit
2D yang
diikuti
dengan
rekonstruksi
gambar.
Setelah
penekanan
latar
belakang
mammogram
oleh dekomposisi
wavelet,
mereka
menggunakan
gambar
operasi
penyaringan
untuk
lebih
meningkatkan
kontras
dan
oklusi
segmentasi
yang
dicurigai sebagai mikrokalsifikasi
(Boryczko, Kurdziel, & Yuen, 2011).
Sun,
dkk menyajikan
sebuah
pohon
biner
classifier
didasarkan
pada
penggunaan fitur global yang diambil dari berbagai
tingkat dekomposisi 2-D
wavelet
Quincunx
gambar
daerah
normal
dan
abnormal.
Ada
dua
jenis
kesalahan
utama
klasifikasi:
satu
adalah
karena
tepi
jaringan
kepadatan
normal
yang
terang,
yang
lain
adalah
karena
batas
antara
otot-otot
dada
dan daerah
payudara,
yang
sebagian
besar
ditampilkan dalam
tampilan
MLO.
Fitur
karakteristik perlu
diselidiki
lebih
lanjut
dalam
rangka
meningkatkan
efisiensi
dari
pohon
keputusan
classifier dan
mengurangi tingkat
kesalahan klasifikasi klinis
kritis
daerah
abnormal (Sun, Babbs, & Delp, 2002).
Sivaramakrishna,
dkk membandingkan
kinerja
algoritma
perbaikan
mammografik.
Untuk mikrokalsifikasi,
algoritma
peningkatan
adaptif
kontras
tetangga
(adaptive
neighborhood
contrast)
adalah
yang
paling
baik
sebesar
49%
dari
interpretasi, peningkatan berbasis wavelet sebesar 28%, dan
gambar yang
tidak ditingkatkan
(unenhanced)
sebesar
13%.
Untuk
massa,
gambar
yang tidak
ditingkatkan
(unenhanced)
adalah
yang
paling
baik
sebesar 58%
kasus,
diikuti
oleh
algoritma
masking unsharp
(28%) (Sivaramakrishna,
Obuchowski,
Chilcote,
Cardenosa, & Powell, 2000).
 |