28
Fischer,
dkk menyelidiki
pembelajaran
jaringan
struktur
Bayesian
dan
perkiraan kemungkinan
dari
data
fitur
mammografik
untuk
mengklasifikasikan
lesi
payudara
ke dalam
kategori
patologis
yang
berbeda.
Pembelajaran
struktur
jaringan
mencerminkan
perbedaan
dalam
klasifikasi
hasil
biopsi
dan
invasiveness
lesi
ganas
untuk
massa
dan
mikrokalsifikasi
payudara. Perbedaan antara
massa
dan
mikrokalsifikasi
sebaiknya
dipertimbangkan
ketika
menafsirkan
sistem
untuk
klasifikasi
patologis
otomatis
lesi payudara.
Dalam
percobaan
pertama,
model
dikembangkan pada
semua
kasus
sepenuhnya
yang
diamati
pada
perangkat
pengembangan
model dengan menggunakan semua temuan BI-RADS
TM
. Pada
percobaan
kedua,
mereka
mengembangkan
model
dari
semua
kasus
sepenuhnya
yang
diamati
dalam
set
pengembangan model
dengan
menggunakan
semua
temuan
BI-RADS
TM
dan patologi
dari keganasan
yang
dikodekan
sebagai
non-
invasif vs invasif (Fischer, Lo, & Markey, 2004).
N. Riyahi Alam, dkk mengusulkan
sebuah metode segmentasi
hibrida
Novel.
Sebuah
metode
segmentasi
hibrida
Novel
telah dikembangkan
untuk
mendeteksi massa
pada mammogram dijital menggunakan tiga
pendekatan
paralel:
metode
thresholding
adaptif, filtering
Gabor
dan fitur
entropi
fuzzy
sebagai
skema
komputer
pembantu
pendeteksian
(CAD).
Algoritma
ini terdiri dari
langkah-langkah
berikut:
• Prapengolahan/
preproses
dari
mammogram
dijital
termasuk
identifikasi
ROI
sebagai calon untuk
lesi besar melalui ekstraksi wilayah payudara.
•
Peningkatan gambar menggunakan transformasi linear
dan
pengurangan
peningkatan
dari gambar asli.
• Karakterisasi
ROI dengan mengekstraksi
fitur entropi fuzzy.
 |