22
Aswini Kumar Mohanty,
dkk menganalisis mammografi dijital dengan
teknik
aplikasi
prapengolahan
gambar,
mengekstrak
region
of
interest
(ROI)
dan
mengklasifikasikan mereka
sebagai
massa
(masses)
atau
bukan
massa
(non-
masses).
ROI
diekstrak
untuk
mengurangi
kompleksitas
dari
sistem.
Di
samping
scanning
terhadap
gambar
mammogram
secara
keseluruhan
dengan
pola bentuk
piksel
per
piksel,
hanya
ROI
saja
yang
dipertimbangkan
dalam
scan.
Akibatnya,
waktu komputasi dan waktu deteksi berkurang. Untuk memisahkan ROI dari
lapisan
payudara,
diasumsikan
bahwa
piksel-piksel
yang
membentuk
ROI harus
menjadi
anggota
seperangkat
piksel
tetangga
yang berdekatan.
Untuk
mengidentifikasikan
intensitas yang
cocok,
dua
ambang batas
(thresholds),
ambang batas minimum (minimum intensity threshold) dan ambang batas
maksimum
(maximum
intensity
threshold)
digunakan.
Telah dilakukan
penelitian
bahwa
diameter
massa
berada
antara
batas
atas dan bawah
(Mohanty,
Sahoo,
Pradhan, & Lenka, 2011).
Pereira,
dkk mengembangkan
sistem CBIR untuk
mammogram
yang
membantu
diagnosis
lesi
payudara
dalam
5.518
gambar
ROI
(Range
of
Interest),
yang diperoleh dari
database dijital untuk penyaringan mammografi yang
termasuk
mikrokalsifikasi,
massa,
dan
kasus-kasus
normal.
Enam
belas
fitur
tekstur
digunakan,
13 berdasarkan
pada
matrik
ketergantungan
spasial
derajat
keabuan
dan
3
berdasarkan
pada
transformasi
wavelet.
Hasil
yang
diperoleh
dari
analisis karakteristik operasi penerima mengidentifikasikan
bahwa fitur tekstur
dapat
digunakan
untuk
memisahkan
daerah
normal
dan lesi dengan
massa
dan
mikrokalsifikasi. Tetapi, fitur
tekstur tidak
efektif untuk pemisahan antara lesi
kanker
jinak
(benign)
dan
ganas
(malignant).
Pembelajaran
menunjukkan
bahwa
 |