0317588 20240111140712.620081218235959.9 4 s. www cav_un_epca*0317587978-1-4244-2174-9676-679Los AlamitosIEEE Press2008 mammography cancer detection image unsupervised segmentation 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. pdf http://library.utia.cas.cz/separaty/2008/RO/haindl-unsupervised mammograms segmentation.pdf 507752 XE EC cav_un_auth*0200689 1ET400750407 GA AV ČR cav_un_auth*0001797 1M0572 GA MŠk cav_un_auth*0001814 2C06019 GA MŠk CZ cav_un_auth*0216518 IAA2075302 GA AV ČR cav_un_auth*0001801 CEZ:AV0Z10750506 We present a multiscale unsupervised segmenter for automatic detection of potentially cancerous regions of interest containing fibroglandular tissue in digital screening mammography. The mammogram tissue textures are locally represented by four causal multispectral random field models recursively evaluated for each pixel and several scales. The 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. The performance of the presented method is verified on the Digital Database for Screening Mammography (DDSM) from the University of South Florida as well as extensively tested on the Prague Texture Segmentation Benchmark and compares favourably with several alternative unsupervised texture segmentation methods. Článek prezentuje víceměřítkovou neřízenou metodu automatické segmentace pro rozpoznávání potenciálně rakovinných oblastí zájmu, které obsahují fibrozně-žlázovitou tkáň, z digitálních roentgenových mamogramů. Mamografické tkáňové textury jsou lokálně reprezentovány čtyřmi kauzálními modely náhodných polí rekurzivně odhadovanými pro každý pixel. Segmentační část metody je založená na gaussovském směsovém modelu. Segmentace začíná z přesegmentovaného odhadu, který se adaptivně mění, až se dosáhne optimální počet homogenních oblastí mamogramu. Vlastnosti publikované metody jsou rozsáhle ověřovány 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*0245453 19th International Conference on Pattern Recognition Tampa 07.12.2008-11.12.2008 US 2010 BD http://hdl.handle.net/11104/0167195 2008 pdf cav_un_epca*0317587 Proceedings of the 19th International Conference on Pattern Recognition 978-1-4244-2174-9 676 679 Los Alamitos IEEE Press 2008