0085867 20240111140649.820070918235959.9 10.1007/978-3-540-74829-8_5 8 s. www cav_un_epca*02585180302-9743200733-40 Unsupervised segmentation mammography Markov random fields cav_un_auth*0101093 Haindl Michal UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101165 Mikeš Stanislav UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0216377 Scarpa G. IT textový dokument http://dx.doi.org/10.1007/978-3-540-74829-8_5 507752 XE EC cav_un_auth*0200689 1ET400750407 GA AV ČR cav_un_auth*0001797 1M0572 GA MŠk cav_un_auth*0001814 IAA2075302 GA AV ČR cav_un_auth*0001801 2C06019 GA MŠk CZ cav_un_auth*0216518 CEZ:AV0Z10750506 We present an unsupervised method for fully automatic detection of regions of interest containing fibroglandular tissue in digital screening mammography. The unsupervised segmenter is based on a combination of several unsupervised segmentation results, each in different resolution, using the sum rule. The mammogram tissue textures are locally represented by four causal monospectral random field models recursively evaluated for each pixel. The single-resolution segmentation part of the algorithm is based on the underlying Gaussian mixture model and starts with an over segmented initial estimation which is adaptively modified until the optimal number of homogeneous mammogram segments is reached. Článek prezentuje neřízenou metodu rozpoznávání umožňující zcela automatickou detekci oblastí zájmu, které obsahují fibrozně-žlázovitou tkáň, z digitálních roentgenových mamogramů. Neřízená segmentační metoda kombinuje několik neřízených segmentačních výsledků, každý v jiném rozlišení, pomocí sumačního pravidla. Mamografické tkáňové textury jsou lokálně reprezentovány čtyřmi kauzálními modely náhodných polí rekurzivně pro každý pixel. Segmentační část metody pro jedno měřítko je založena na gaussovském směsovém modelu a začíná z přesegmentovaného odhadu, který se adaptivně mění, až se dosáhne optimální počet homogenních oblastí. Vlastnosti publikované metody jsou rozsáhle testovány na Digital Database for Screening Mammography (DDSM) z University of South Florida a na Prague Texture Segmentation Benchmark pomocí nejpoužívanějších segmentačních kriterií. Metoda dosahuje lepší výsledky než několik alternativních testovaných texturních segmentačních metod. cav_un_auth*0230033 Knowledge-Based Intelligent Information and Engineering Systems Vietri sul Mare 12.09.2007-14.09.2007 IT 2008 BD http://hdl.handle.net/11104/0148287 2007 textový dokument cav_un_epca*0258518 Lecture Notes in Computer Science 0302-9743 Roč. 2007 Č. 4694 2007 33 40