Texture modeling applied to medical images

Abstract

V práci jsou prezentovány nové deskriptivní mnoharozměrné markovské tex- turní modely aplikované na počítačem podporovanou diagnostiku rentgenových mamogramů. Tyto netriviální matematické modely, aplikovatelné též v široké oblasti modelování mnoharozměrných vzájemně korelovaných dat mimo mamo- grafii, umožňují, oproti standardním diskriminativním modelům, ideální vizuální ověření pomocí syntézy odpovídajících datových prostorů. Veškeré dosažené výsledky byly podrobeny rozsáhlým benchmarkům. Práce prezentuje dvě metody klasifikace hustoty prsní tkáně z rentgenových mamogramů. Obě metody byly testovány na databázích MIAS a INbreast s výsledky srovnatelnými s nejnovějšími špičkovými metodami. Dále je představeno několik metod pro zcela automatické zvýrazňování mamo- grafických textur. Tyto metody jsou založeny na deskriptivních texturních mod- elech vyvinutých v rámci této práce, které se automaticky adaptují na texturu analyzovaného rentgenového snímku, díky čemuž jsou univerzální pro libovolný druh textury bez potřeby ručního nastavování konkrétních parametrů. Výstupy metod zvýrazňují oblasti zájmu detekované jako texturní abnormality. Metody umožňují nastavit zvýraznění na...

and contributions This thesis presents novel descriptive multidimensional Markovian textural models applied to computer aided diagnosis in the field of X-ray mammogra- phy. These general mathematical models, applicable in wide areas of texture modeling outside X-ray mammography as well, provide ideal visual verification using synthesis of the corresponding measured data spaces, contrary to stan- dard discriminative models. All achieved results in the thesis are extensively benchmarked. The thesis presents two methods for breast density classification in X-ray mammography. The methods were tested on the widely known MIAS database and the state-of-the art INbreast database, with competitive results. Several methods for completely automatic mammogram texture enhance- ment are presented. These methods are based on the descriptive textural mod- els developed in the thesis which automatically adapt to the analyzed X-ray texture, thus being universal for any type of input without the need of further manual tuning of specific parameters. The methods' outputs highlight regions of interest, detected as textural abnormalities. The methods provide the pos- sibility of enhancement tuned to specific types of mammogram tissue. Hence, the enhanced mammograms can help radiologists to decrease their false negative...