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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Hybrid Example-Based Single Image Super-Resolution Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Mass Segmentation in Mammograms Based on the Combination of the Spiking Cortical Model (SCM) and the Improved CV Model

verfasst von : Xiaoli Gao, Keju Wang, Yanan Guo, Zhen Yang, Yide Ma

Erschienen in: Advances in Visual Computing

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In this paper, a novel method based on CV model for the mass segmentation is proposed. Firstly, selecting the largest connected region, seeded region growing, and singular value decomposition (SVD) are used to pre-processing. After that apply the Spiking Cortical Model (SCM) on the pre-processed image to locate the lesion. Finally, the mass boundary is accurately segmented by the improved CV model. The validity of the proposed method is evaluated through two well-known digitized datasets (DDSM and MIAS). The performance of the method is evaluated with detection rate and area overlap. The results indicate the proposed scheme could obtain better performance when compared with several existing schemes.

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 Ground Extraction from Terrestrial LiDAR Scans Using 2D-3D Neighborhood Graphs
Nächstes Kapitel High Performance and Efficient Facial Recognition Using Norm of ICA/Multiwavelet Features
Literatur
1.
Jemal, A., Bray, F., Melissa, M., Ferlay, J., Ward, E., Forman, D.: Global cancer statistics. CA Cancer J. Clin. 61(2), 69–90 (2011)CrossRef
2.
Salmeri, M., Mencattini, A., Rabottino, G., Accattatis, A., Lojacono, R.: Assisted breast cancer diagnosis environment: a tool for dicom mammographic images analysis. In: IEEE International Workshop on Medical Measurements and Applications (MEMEA 2009), pp. 160–165 (2009)
3.
Han, X., Xu, C., Prince, J.L.: A topology preserving level set method for geometric deformable models. IEEE Trans. Patt. Anal. Mach. Intell. 25(6), 755–768 (2003)CrossRef
4.
Caselles, V., Catté, F., Coll, T.: Françoise Dibos.: a geometric model for active contours in image processing. Numer. Math. 66(1), 1–31 (1993)MATHCrossRefMathSciNet
5.
Malladi, R., Sethian, J.A., Vemuri, B.C.: Shape modeling with front propagation: a level set approach. IEEE Trans. Patt. Anal. Mach. Intell. 17(2), 158–175 (1995)CrossRef
6.
Chan, T.F., Vese, L.A.: Active contours without edges. IEEE Trans. Imag. Proc. 10(2), 266–277 (2001)MATHCrossRef
7.
Liu, J., Liu, X., Chen, J., Tang, J.: Mass segmentation in mammograms based on improved level set and watershed algorithm. In: Huang, D.-S., Gan, Y., Gupta, P., Gromiha, M. (eds.) ICIC 2011. LNCS, vol. 6839, pp. 502–508. Springer, Heidelberg (2012)
8.
Li, C., Huang, R., Ding, Z., Gatenby, J.C., Metaxas, D.N., Gore, J.C.: A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI. IEEE Trans. Image Process. 20(7), 2007–2016 (2011)CrossRefMathSciNet
9.
Suckling, J., Parker, J., Dance, D., Astley, S., Hutt, I., Boggis, C., Ricketts, I., Stamatakis, E., Cerneaz, N., Kok, S., Taylor, P., Betal, D., Savage, J.: The Mammographic Image Analysis Society digital mammogram database. In: International Workshop on Digital Mammography, pp. 211–221 (1994)
10.
Heath, M., Bowyer, K., Kopans, D., Moore, R., Kegelmeyer, W.P.: The digital database for screening mammography. In: Proceedings of the Fifth International Workshop on Digital Mammography (IWDM), pp. 212–218 (2001)
11.
Mirghasemi, S., Rayudu, R., Zhang, M.: A new image segmentation algorithm based on modified seeded region growing and particle swarm optimization. In: 28th International Conference of Image and Vision Computing (IVCNZ), pp. 382–387 (2013)
12.
Bhattacharya, S., Gupta, S., Subramanian, V.K.: Localized image enhancement. Twentieth National Conference on Communications (NCC), pp. 1–6 (2014)
13.
Ma, Y.-D., Yuan, J.-X., Zhang, H.-J.: Self-adaptive method using SCM for noise removal in color images. J. Univ. Electron. Sci. Technol. China 41(5), 754–758 (2012)
14.
Zhang, H., Fritts, J., Goldman, S.: Image segmentation evaluation: a survey of unsupervised methods. Comput. Vis. Image Underst. 110(2), 260–280 (2008)CrossRef
Metadaten
Titel
Mass Segmentation in Mammograms Based on the Combination of the Spiking Cortical Model (SCM) and the Improved CV Model
verfasst von
Xiaoli Gao
Keju Wang
Yanan Guo
Zhen Yang
Yide Ma
Copyright-Jahr
2015
Buch
Advances in Visual Computing

Print ISBN: 978-3-319-27862-9

Electronic ISBN: 978-3-319-27863-6

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-27863-6_62

Premium Partner

    Bildnachweise