Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Image Re-Emotionalizing Kapitel lesen Erstes Kapitel lesen

2013 | OriginalPaper | Buchkapitel

A Novel 2D Wavelet Level Energy for Breast Lesion Classification on Ultrasound Images

verfasst von : Yueh-Ching Liao, King-Chu Hung, Shu-Mei Guo, Po-Chin Wang, Tsung-Lung Yang

Erschienen in: The Era of Interactive Media

Verlag: Springer New York

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Infiltrative nature is a unique characteristic of breast cancer. Cross-sectional view of infiltrative nature can find a rough lesion contour on ultrasound image. Roughness description is crucial for clinical diagnosis of breast lesions. Based on boundary tracking, traditional roughness descriptors usually suffer from information loss due to dimension reduction. In this paper, a novel 2-D wavelet-based energy feature is proposed for breast lesion classification on ultrasound images. This approach characterizes the roughness of breast lesion contour with normalized spatial frequency components. Feature efficacies are evaluated by using two breast sonogram datasets with lesion contour delineated by an experienced physician and the ImageJ, respectively. Experimental results show that the new feature can obtain excellent performance and robust contour variation resistance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Better Than MFCC Audio Classification Features
Nächstes Kapitel Learning-to-Share Based on Finding Groups for Large Scale Image Classification
Literatur
1.
A. T. Stavros, D. Thickman, C. L. Rapp, M. A. Dennis, S. H. Parker, and G. A. Sisney: Solid breast nodules: Use of sonography to distinguish between benign andmalignant lesions, Radiology, vol. 196, pp. 123–134, Jul. (1995).
2.
T. M. Kolb, J. Lichy, and J.H. Newhouse: Comparison of the performance of screening mammography, physical examination, and breast US and evaluation of factors that influence them: An analysis of 27825 patient evaluations, Radiology, vol. 225, pp. 165–175, Oct. (2002).CrossRef
3.
A. V. Alvarenga, W. C. A. Pereira, A. F. C. Infantosi, and C. M. de Azevedo: Classification of breast tumours on ultrasound images using morphometric parameters, in Proc. IEEE Int. Symp. on Intell. Signal Processing, Sept., pp. 206–210(2005).
4.
Qiuxia Chen and Qi Liu: Textural Feature Analysis for Ultrasound Breast Tumor Images, in Proc. International Conference on Bioinformatics and Biomedical Engineering, Apr., pp. 1–4(2010).
5.
Songyang Yu; Ling Guan: A CAD system for the automatic detection of clustered microcalcifications in digitized mammogram films, IEEE Trans. Med. Imag., Vol. 19, pp. 115 – 126,(2000).CrossRef
6.
Shah, V.P.; Bruce, L.M.; Younan, N.H.: Applying modular classifiers to mammographic mass classification, IEMBS ‘04. 26th Annual International Conference of the IEEE, Engineering in Medicine and Biology Society, Vol. 1, pp. 1585 – 1588, Sept. (2004).
7.
P. H. Tsui, Y.-Y. Liao, C. C. Chang, W. H. Kuo, K. J. Chang, and C. K. Yeh: Classification of benign and malignant breast tumors by 2-D analysis based on contour description and scatterer Characterization, IEEE Trans. Med. Imag., vol. 29, pp. 513–522, Feb. (2010).CrossRef
8.
H. W. Lee, B. D. Liu, K. C. Hung, S. F. Lei, P. C. Wang, and T. L. Yang: Breast tumor classification of ultrasound images using wavelet-based channel energy and ImageJ, IEEE Journal of Selected Topics in Signal Processing, vol. 3, pp. 81–93, Feb. (2009).CrossRef
9.
Y. C. Liao, S. M. Guo, K. C. Hung, P. C. Wang, and T. L. Yang: Noise Resistance Analysis of Wavelet-Based Channel Energy Feature for Breast Lesion Classification on Ultrasound Images. PCM’10 Proceedings of the Advances in multimedia information processing, and 11th Pacific Rim conference on Multimedia: Part II pp. 549–558, Sept. (2010).
10.
Farrokhrooz, M.; Karimi, M.; Rafiei, A.: A new method for spread value estimation in multi-spread PNN and its application in ship noise classification, ISSPA 9th International Symposium on Signal Processing and Its Applications, pp. 1 – 4, Apr. (2007).
11.
Donald F. Specht: Probabilistic neural networks, In: Neural Networks, Volume 3, Issue 1, ISSN:0893–6080, (1990)
12.
P. Andrey, T. Boudier: Adaptive active contours (snakes) for the segmentation of complex structures in biological images, ImageJ Conference (2006).
13.
K. C. Hung, Y. S. Hung, and Y. J. Huang: A nonseparable VLSI architecture for two-dimensional discrete periodized wavelet transform, IEEE Trans. VLSI Systems, vol.9, pp.565–576, Oct. (2001).CrossRef
14.
C. M. Bishop: Pattern Recognition and Machine Learning, Springer, (2006).
15.
Holland, J. H.,” Genetic Algorithms,” Scientific American, pp.66–72, July (1992).
16.
T. Fawcett: An introduction to roc analysis,: Pattern Recognition Letters, vol. 27, pp. 861–874, June (2006).CrossRef
Metadaten
Titel
A Novel 2D Wavelet Level Energy for Breast Lesion Classification on Ultrasound Images
verfasst von
Yueh-Ching Liao
King-Chu Hung
Shu-Mei Guo
Po-Chin Wang
Tsung-Lung Yang
Copyright-Jahr
2013
Verlag
Springer New York
Buch
The Era of Interactive Media

Print ISBN: 978-1-4614-3500-6

Electronic ISBN: 978-1-4614-3501-3

Copyright-Jahr: 2013

DOI
https://doi.org/10.1007/978-1-4614-3501-3_25

Neuer Inhalt

    Bildnachweise