Key points are not available for this paper at this time.
Neste artigo, investigamos o desempenho da modelagem estatística de mamografias digitais por meio de árvores de Markov ocultas no domínio wavelet para sua inclusão em um sistema de indicação de diagnóstico assistido por computador. O sistema é projetado para detectar clusters de microcalcificações. A discriminação adicional entre benigna ou maligna será feita por radiologistas. O modelo é utilizado para segmentar imagens com base no classificador de máxima verossimilhança aprimorado pela técnica de ponderação. A classificação adicional incorpora filtragem espacial para a detecção de microcalcificações (MC) únicas e clusters de microcalcificações (MCC). A filtragem de contraste aplicada ao banco de dados digital do conjunto de dados de mamografia para triagem (DDSM) antes da filtragem espacial melhora significativamente a precisão da classificação. Para todos os clusters de MC de 40 mamografias do banco de dados mini-MIAS da Sociedade de Análise de Imagens Mamográficas, 92,5%-100% dos casos verdadeiramente positivos podem ser detectados com 2-3 falsos positivos por imagem. Para 150 casos do conjunto de dados DDSM, o sistema projetado é capaz de detectar até 98% dos verdadeiros positivos com 3,3% de casos falsamente positivos.
Regentova et al. (Sex,) estudaram essa questão.