La segmentation de la région mammaire et du muscle pectoral sont des étapes ultérieures fondamentales dans le processus des systèmes de diagnostic assisté par ordinateur (CAO). La segmentation de la région mammaire et du muscle pectoral est considérée comme une tâche difficile, en particulier dans les images de mammographie en raison des artefacts, de l'homogénéité entre la région du sein et du muscle pectoral, et du faible contraste le long de la région de la limite mammaire, de la similitude entre la texture de la région d'intérêt (ROI) et la région indésirable et le roi irrégulier. Cette étude vise à proposer un modèle de segmentation amélioré basé sur des seuils et formable pour dériver le retour sur investissement. Une approche de segmentation hybride pour la limite de la région mammaire et du muscle pectoral dans les images de mammographie a été établie sur la base de techniques de seuillage et d'apprentissage automatique (ML). Pour l'estimation de la limite du sein, la région du sein a été mise en évidence en éliminant les bandes de la transformée en ondelettes. La limite initiale du sein a été déterminée par une nouvelle technique de seuillage. Des opérations morphologiques et de masquage ont été utilisées pour corriger la limite surestimée en supprimant les petits objets. Dans le domaine de l'imagerie médicale, des progrès significatifs ont été réalisés dans le développement de méthodes de ML efficaces et précises pour le processus de segmentation. Dans la littérature, le rôle impératif des méthodes de ML pour permettre une méthode de segmentation efficace et plus précise a été mis en évidence. Dans cette étude, une technique de ML a été construite sur la base de l'histogramme du gradient orienté (HOG) avec des classificateurs de réseaux neuronaux pour déterminer la région du muscle pectoral et le retour sur investissement. L'approche de segmentation proposée a été testée en utilisant 322, 200, 100 images de mammographie provenant des bases de données de la mammographic image analysis society (mini-MIAS), INbreast, Breast Cancer Digital Repository (BCDR), respectivement. Les résultats expérimentaux ont été comparés à une segmentation manuelle basée sur différentes caractéristiques de texture. De plus, l'évaluation et la comparaison de la limite de la région mammaire et de la segmentation du muscle pectoral ont été effectuées séparément. Les résultats expérimentaux ont montré que la limite de la région mammaire et l'approche de segmentation du muscle pectoral ont obtenu une précision de 98,13% et 98,41% (mini-MIAS), 100% et 98,01% (INbreast) et 99,8% et 99,5% (BCDR), respectivement. En moyenne, l'étude proposée a atteint une précision de 99,31 % pour la limite de la segmentation de la région mammaire et de 98,64 % pour la segmentation du muscle pectoral. La performance globale du retour sur investissement de la méthode proposée a montré une amélioration de la précision après l'amélioration de la technique de seuil pour la segmentation de fond et la construction d'une technique de ML pour la segmentation du muscle pectoral. De plus, cet article a également inclus la vérité fondamentale en tant qu'évaluation de la similitude globale. En clinique, cette analyse peut être fournie comme un soutien précieux pour l'identification du cancer du sein.

La segmentación de la región mamaria y el músculo pectoral son pasos posteriores fundamentales en el proceso de los sistemas de diagnóstico asistido por ordenador (CAD). La segmentación de la región mamaria y el músculo pectoral se considera una tarea difícil, particularmente en las imágenes de mamografía debido a los artefactos, la homogeneidad entre la región de la mama y el músculo pectoral, y el bajo contraste a lo largo de la región del límite mamario, la similitud entre la textura de la Región de Interés (ROI) y la región no deseada y el ROI irregular. Este estudio tiene como objetivo proponer un modelo de segmentación mejorado basado en umbrales y entrenable para derivar el ROI. Se estableció un enfoque de segmentación híbrido para el límite de la región mamaria y el músculo pectoral en las imágenes de mamografía basado en técnicas de umbral y aprendizaje automático (ML). Para la estimación del límite mamario, la región de la mama se resaltó eliminando las bandas de la transformada wavelet. El límite mamario inicial se determinó a través de una nueva técnica de umbralización. Se emplearon operaciones morfológicas y enmascaramiento para corregir el límite sobreestimado mediante la eliminación de objetos pequeños. En el campo de las imágenes médicas, un progreso significativo para desarrollar métodos de ML efectivos y precisos para el proceso de segmentación. En la literatura, se ha destacado el papel imperativo de los métodos de ML para permitir un método de segmentación efectivo y más preciso. En este estudio, se construyó una técnica de ML basada en la característica Histograma de Gradiente Orientado (HOG) con clasificadores de redes neuronales para determinar la región del músculo pectoral y el ROI. El enfoque de segmentación propuesto se probó utilizando 322, 200, 100 imágenes de mamografía de las bases de datos de la sociedad de análisis de imágenes mamográficas (mini-MIAS), INbreast, Breast Cancer Digital Repository (BCDR), respectivamente. Los resultados experimentales se compararon con la segmentación manual basada en diferentes características de textura. Además, la evaluación y comparación del límite de la región mamaria y la segmentación del músculo pectoral se han realizado por separado. Los resultados experimentales mostraron que el límite de la región mamaria y el abordaje de segmentación del músculo pectoral obtuvieron una precisión de 98.13% y 98.41% (mini-MIAS), 100% y 98.01% (INbreast), y 99.8% y 99.5% (BCDR), respectivamente. En promedio, el estudio propuesto logró una precisión del 99,31% para el límite de la segmentación de la región mamaria y del 98,64% para la segmentación del músculo pectoral. El rendimiento general del ROI del método propuesto mostró una mejora en la precisión después de mejorar la técnica de umbral para la segmentación de fondo y la construcción de una técnica de ML para la segmentación del músculo pectoral. Más aún, este artículo también incluyó la verdad fundamental como una evaluación de la similitud integral. En la clínica, este análisis se puede proporcionar como un apoyo valioso para la identificación del cáncer de mama.

Segmentation of the breast region and pectoral muscle are fundamental subsequent steps in the process of Computer-Aided Diagnosis (CAD) systems. Segmenting the breast region and pectoral muscle are considered a difficult task, particularly in mammogram images because of artefacts, homogeneity among the region of the breast and pectoral muscle, and low contrast along the region of breast boundary, the similarity between the texture of the Region of Interest (ROI), and the unwanted region and irregular ROI. This study aims to propose an improved threshold-based and trainable segmentation model to derive ROI. A hybrid segmentation approach for the boundary of the breast region and pectoral muscle in mammogram images was established based on thresholding and Machine Learning (ML) techniques. For breast boundary estimation, the region of the breast was highlighted by eliminating bands of the wavelet transform. The initial breast boundary was determined through a new thresholding technique. Morphological operations and masking were employed to correct the overestimated boundary by deleting small objects. In the medical imaging field, significant progress to develop effective and accurate ML methods for the segmentation process. In the literature, the imperative role of ML methods in enabling effective and more accurate segmentation method has been highlighted. In this study, an ML technique was built based on the Histogram of Oriented Gradient (HOG) feature with neural network classifiers to determine the region of pectoral muscle and ROI. The proposed segmentation approach was tested by utilizing 322, 200, 100 mammogram images from mammographic image analysis society (mini-MIAS), INbreast, Breast Cancer Digital Repository (BCDR) databases, respectively. The experimental results were compared with manual segmentation based on different texture features. Moreover, evaluation and comparison for the boundary of the breast region and pectoral muscle segmentation have been done separately. The experimental results showed that the boundary of the breast region and the pectoral muscle segmentation approach obtained an accuracy of 98.13% and 98.41% (mini-MIAS), 100%, and 98.01% (INbreast), and 99.8% and 99.5% (BCDR), respectively. On average, the proposed study achieved 99.31% accuracy for the boundary of breast region segmentation and 98.64% accuracy for pectoral muscle segmentation. The overall ROI performance of the proposed method showed improving accuracy after improving the threshold technique for background segmentation and building an ML technique for pectoral muscle segmentation. More so, this article also included the ground-truth as an evaluation of comprehensive similarity. In the clinic, this analysis may be provided as a valuable support for breast cancer identification.

تجزئة منطقة الثدي والعضلات الصدرية هي خطوات لاحقة أساسية في عملية أنظمة التشخيص بمساعدة الكمبيوتر (CAD). يعتبر تقطيع منطقة الثدي والعضلة الصدرية مهمة صعبة، لا سيما في صور التصوير الشعاعي للثدي بسبب المصنوعات اليدوية، والتجانس بين منطقة الثدي والعضلة الصدرية، والتباين المنخفض على طول منطقة حدود الثدي، والتشابه بين نسيج منطقة الاهتمام (ROI)، والمنطقة غير المرغوب فيها وعائد الاستثمار غير المنتظم. تهدف هذه الدراسة إلى اقتراح نموذج تجزئة محسّن قائم على العتبة وقابل للتدريب لاستخلاص عائد الاستثمار. تم إنشاء نهج تجزئة هجين لحدود منطقة الثدي والعضلات الصدرية في صور التصوير الشعاعي للثدي بناءً على تقنيات العتبة والتعلم الآلي (ML). لتقدير حدود الثدي، تم تسليط الضوء على منطقة الثدي من خلال القضاء على نطاقات تحول الموجة الصغيرة. تم تحديد حدود الثدي الأولية من خلال تقنية عتبة جديدة. تم استخدام العمليات المورفولوجية والإخفاء لتصحيح الحدود التي تم المبالغة في تقديرها عن طريق حذف الأشياء الصغيرة. في مجال التصوير الطبي، تقدم كبير لتطوير طرق فعالة ودقيقة للتعلم الآلي لعملية التجزئة. في الأدبيات، تم تسليط الضوء على الدور الحتمي لأساليب غسل الأموال في تمكين طريقة تجزئة فعالة وأكثر دقة. في هذه الدراسة، تم بناء تقنية ML بناءً على الرسم البياني للتدرج الموجه (HOG) مع مصنفات الشبكة العصبية لتحديد منطقة العضلات الصدرية والعائد على الاستثمار. تم اختبار نهج التجزئة المقترح من خلال استخدام 322، 200، 100 صورة شعاعية للثدي من جمعية تحليل الصور الشعاعية للثدي (MINI - MIAS)، INbreast، قواعد بيانات المستودع الرقمي لسرطان الثدي (BCDR)، على التوالي. تمت مقارنة النتائج التجريبية بالتجزئة اليدوية بناءً على ميزات الملمس المختلفة. علاوة على ذلك، تم إجراء تقييم ومقارنة لحدود منطقة الثدي وتقسيم العضلات الصدرية بشكل منفصل. أظهرت النتائج التجريبية أن حدود منطقة الثدي ونهج تجزئة العضلات الصدرية حصلت على دقة 98.13 ٪ و 98.41 ٪ (mini - MIAS) و 100 ٪ و 98.01 ٪ (INbreast) و 99.8 ٪ و 99.5 ٪ (BCDR) على التوالي. في المتوسط، حققت الدراسة المقترحة دقة بنسبة 99.31 ٪ لحدود تجزئة منطقة الثدي ودقة بنسبة 98.64 ٪ لتجزئة العضلات الصدرية. أظهر الأداء العام لعائد الاستثمار للطريقة المقترحة تحسين الدقة بعد تحسين تقنية العتبة لتجزئة الخلفية وبناء تقنية ML لتجزئة العضلات الصدرية. علاوة على ذلك، تضمنت هذه المقالة أيضًا الحقيقة الأساسية كتقييم للتشابه الشامل. في العيادة، يمكن تقديم هذا التحليل كدعم قيم لتحديد سرطان الثدي.