2017
DOI: 10.1117/12.2255516
|View full text |Cite
|
Sign up to set email alerts
|

A new texture descriptor based on local micro-pattern for detection of architectural distortion in mammographic images

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1
1
1

Citation Types

0
2
0
3

Year Published

2021
2021
2021
2021

Publication Types

Select...
2
1

Relationship

0
3

Authors

Journals

citations
Cited by 3 publications
(5 citation statements)
references
References 17 publications
0
2
0
3
Order By: Relevance
“…The authors [ 8 , 9 , 10 ] employed a machine learning-based classification algorithm to detect architectural distortion from the DDSM data set and reporting 83.50%, 92.94%, and 91.79% accuracies, respectively. Another study by [ 13 ] applied a multilayer-perception network to detect architectural distortion evaluating 300 images and reported 83% accuracy. The authors [ 14 ] used the LDA classifier to detect architectural distortion tracking from digital breast tomosynthesis and achieved 0.90 sensitivity.…”
Section: Results Analysismentioning
confidence: 99%
See 1 more Smart Citation
“…The authors [ 8 , 9 , 10 ] employed a machine learning-based classification algorithm to detect architectural distortion from the DDSM data set and reporting 83.50%, 92.94%, and 91.79% accuracies, respectively. Another study by [ 13 ] applied a multilayer-perception network to detect architectural distortion evaluating 300 images and reported 83% accuracy. The authors [ 14 ] used the LDA classifier to detect architectural distortion tracking from digital breast tomosynthesis and achieved 0.90 sensitivity.…”
Section: Results Analysismentioning
confidence: 99%
“…Another radiomic feature reduction approach was proposed by Raffaella M. et al [ 12 ] for mammogram classification to predict breast cancer. D. H. et al [ 13 ] proposed a micro-pattern texture descriptor for the detection of architectural distortion from mammogram images using a local binary pattern, local map pattern, and haralick’s descriptors. A total of 400 ROIs from the full-field digital mammography (FFDM) dataset were selected for the evaluation of the model and achieved 83% accuracy.…”
Section: Introductionmentioning
confidence: 99%
“…Percebe-se nesses casos uma diferença sútil entre o tecido com ausência e com presença da anomalia. O resultado apresentado por Oliveira et al (2017) foi obtido com ROIs do banco de imagens também utilizado no presente trabalho. Em seu trabalho foi desenvolvido um sistema padrão de classificação, com etapas de descrição e classificador Perceptron multicamadas.…”
Section: Distorção Arquitetural Mamáriaunclassified
“…Por fim, os resultados obtidos não se equipararam às taxas avaliativas apresentadas por outros trabalhos para a detecção da distorção arquitetural (NEMOTO et al, 2009;JA-SIONOWSKA et al, 2010;MURALI;DINESH et al, 2011;OLIVEIRA et al, 2017;RANGAYYAN et al, 2013;PALMA;BLOCH;MULLER, 2014;KAMRA et al, 2016;CASTI et al, 2016;LIU et al, 2017). Entretanto, o metodologia e os bancos de imagem foram distintos, o que dificulta uma comparação direta.…”
Section: Conclusõesunclassified
“…No primeiro deles (OLIVEIRA et al, 2016), os autores compararam o desempenho dos descritores LBP, LMP e GLCM (constraste, correlação, energia e homogeneidade) aplicados a mamografias digitalizadas do banco de dados DDSM, sendo o melhor resultado obtido com a aplicação do LMP, cujo valor de sensibilidade foi igual a 97, 0% e de acurácia, 95, 0%. No segundo trabalho (OLIVEIRA et al, 2017), foi apresentado um banco de mamografia digital gerado pelos autores, composto por 100 mamografias com DA. Foram extraídas duas regiões de interesse de 256 × 256 pixels de cada mamografia, uma com a DA situada no centro da respectiva ROI e a segunda, de uma região saudável da mama, sem a presença de DA.…”
Section: Considerações Iniciaisunclassified