Hybrid cytological image segmentation method based on competitive neural network and adaptive thresholding

The paper provides a preview of research on the computer system to support breast cancer diagnosis. The approach is based on analysis of microscope images of fine needle biopsy material. The article is devoted mainly to the segmentation problem. Hybrid segmentation algorithm based on competitive learning neural network and adaptive thresholding is presented. The system was tested on a set of real case medical images obtained from patients of the hospital in Zielona Góra with promising results.

Niniejszy artukuł przedstawia wyniki prac badawczych prowadzonych nad komputerowym systemem wspierającym diagnostykę raka piersi. Zaprezentowane podejscie oparte jest na analizie mikroskopowych obrazów materiału pozyskanego metodą biopsji cienkoigłowej bez aspiracji. Zadaniem systemu jest określenie czy badany przypadek jest zmianą łagodną czy złośliwą. Badania skupione są na dwóch głównych problemach. Pierwszym z nich jest segmentacja obrazów cytologicznych oraz ekstrakcja cech morfometrycznych jąder komórkowych występujących na rozmazach. Drugim problemem jest klasyfikacja raka sutka oraz odpowiedni dobór cech najlepiej opisujących daną klasę. W artykule autorzy położyli główny nacisk na opisie sposobu segmentacji obrazów. Poprawność procesu segmentacji w dużym stopniu decyduje o możliwości wykonania skutecznych pomiarów cech morfometrycznych jąder komórkowych i w konsekwencji dokonania właściwej diagnozy. W artykule przedstawiono hybrydowy algorytm segmentacji oparty o konkurencyjne sieci neuronowe i adaptacyjne progowanie. Jest to metoda alternatywna do zaprezentowanej wcześniej metody bazującej na rozmytym algorytmie c-średnich. Porównanie wyników obydwu metod zamieszczono w artykule. Automatyczny system wspierający diagnostykę raka piersi przetestowano na prawdziwych obrazach medycznych pacjentów regionalnego szpitala w Zielonej Górze. W przeprowadzonych eksperymetach uzyskano obiecujące wyniki.