Klasifikacija mamograma primenom nove metode za selekciju najznačajnijih osobina slike

Transcription

1 Klasifikacia mamorama primenom nove metode za selekciu naznačaniih osobina slike Marina Milošević, Draan Janković, Đorđe Damnanović i Aleksandar Peulić Apstrakt Ova rad predstavla sistem za klasifikaciu mamorama u ednu od dve kateorie, mamorami sa tumorom i mamorami bez tumora. Predložen sistem sastoi se od četiri modula: predobrade, koa podrazumeva uklanane šuma sa mamorama i izdvaane područa od interesa, izdvaana, selekcie osobina teksture slike i klasifikacie mamorama. akon predobrade oriinalnih snimaka, za svaki mamoram e izdvoeno ukupno 0 osobina slike. Da bi se povećala tačnost klasifikacie, primenom nove selekcione metode izvršen e odabir nekoliko narelevantniih osobina. Analizirani su rezultati predviđana tri klasifikatora: SVM (Support Vector Machine) klasifikatora, Baes-ovo i k- klasifikatora. U cilu poređena eksperimentalnih rezultata, sistem za detektovane tumora doke testiran e na mamoramima iz MIAS (Mammoraphic Imae Analsis Societ) baze slika i mamoramima iz Kliničko centra u Krauevcu. Klučne reči Detektovane tumora doke; GLCM osobine; Selekcia osobina; Klasifikacia. I. UVOD Tumor doke e načešći oblik tumora kod žena širom sveta. Mamorafia e veoma važna dianostička metoda, er često može da otkrie tumor pre neo što žena oseti bilo kakve promene [1]. Diitalna mamorafia donela e veliki napredak u računarsko obradi slike. Tumor doke načešće e zvezdasto oblika ali zvezdasta senka istovremeno e i veoma nesiuran pokazatel tumora. Centralna masa tumora nie lako uočliva er nema asno definisane ivice. ihove veličine varirau od nekoliko milimetara do nekoliko centimetara []. Iz navedenih razloa tumor nie mouće detektovati na osnovu oblika ili veličine. Kod mnoih sistema za obradu slike, osnovni cil obrade e izvlačene informacia iz slike pomoću koih se može izvršiti računarska interpretacia i analiza slike. Takve informacie nazivau se osobine (enl. features). Ulazni mamoram se mora prvo obraditi nekim od postupaka za popravku kvaliteta ili restauracie. Posle pretprocesirana, iz slike se izdvaau karakteristične osobine. Izdvaane osobina ima za cil da bez značano ubitka informacia smani količinu podataka koi će se obrađivati u nastavku procesa analize mamorama. Izdvaane osobina se može izvršiti izdvaanem ivica, određivanem oblika, opisom teksture, itd. Aloritmi za klasifikaciu vrše kateorizaciu uzoraka u odovarauće klase prema klasifikacisko šemi. Uzorak e sačinen od edne ili više osobina. Tačnost klasifikacie uzoraka (mamorama) zavisi od izbora odovaraućih osobina koe se dovode na ulaz klasifikatora. Šema klasifikacie obično e bazirana na skupu uzoraka koi e već ranie klasifikovan. Ova skup uzoraka naziva se trenin skup (trainin set) ili skup za obučavane, a sam proces se naziva obučavane ili učene. II. PRETPROCESIRAJE SLIKE Mamorami su medicinske slike koe e veoma teško analizirati. Pre same analize mamorama potrebno e omoućiti što bole uslove za izdvaane želenih obekata. To se postiže u fazi predobrade, prvenstveno eliminisanem šuma i pobolšanem kvaliteta slike. Za određivane odovaraućih karakteristika mamorama nie potrebno obrađivati celu sliku. akon uklanana šuma sa mamorama, prvi korak e određivane područa od interesa (enl. Reion of Interest- ROI), koi podrazumeva izdvaane dela slike koi predstavla doku iz pozadine. A. Uklanane šuma sa mamorama Uklanane šuma sa slike e važan deo mnoih aplikacia za obradu slike, a postoeće metodoloie uklanana šuma su veoma različite. Izbor metoda adekvatno dato primeni zavisi kako od konteksta tako i od cila obrade. Uklanane šuma sa mamorama izvršeno e primenom edno-nivovske Diskretne Wavelet Transformacie (DWT), pomoću Haar-ovo talasića i vrednosti praa 50. Pra se obično bira na osnovu statističkih pretpostavki o šumu i o samom sinalu koi se estimira. a Sl. 1. prikazani su oriinalni i estimirani mamoram. Marina Milošević Fakultet tehničkih nauka, Univerzitet u Krauevcu, Sveto Save 65, 3000Čačak, Srbia ( marina.milosevic@ftn.k.ac.rs). Draan Janković Elektronski fakultet, Univerzitet u išu, Aleksandra Medvedeva 14, iš, Srbia ( Draan.Jankovic@elfak.ni.ac.rs ). Đorđe Damnanović Fakultet tehničkih nauka, Univerzitet u Krauevcu, Sveto Save 65, 3000 Čačak, Srbia ( dorde.damnanovic@ftn.k.ac.rs). Aleksandar Peulić Fakultet tehničkih nauka, Univerzitet u Krauevcu, Sveto Save 65, 3000 Čačak,Srbia ( aleksandar.peulic@ftn.k.ac.rs). (a) (b) Sl. 1. Rezultat uklanana šuma sa mamorama iz kliničko centra: (a) Oriinalni mamoram, (b) Estimirani mamoram. Zbornik 57. konferencie ETRA, Zlatibor, 3-6. una 013, str. ME Proceedins of 57th ETRA Conference, Zlatibor, Serbia, June 3-6, 013, pp. ME

2 B. Izdvaane područa od interesa Određivane područa od interesa podrazumeva izdvaane doke iz pozadine. Ako se pritom radi o skeniranim analonim slikama, proces same sementacie e zahtevnii, er skenirane slike često sadrže nepoželne obekte koe e potrebno ukloniti. Skenirani mamorami takođe često imau problem neednako osvetlene pozadine, koi nastae kao posledica nesavršenosti kako samo filma, tako i procesa naknadne diitalizacie. Procedura izdvaana područa od interesa sastoi se od nekoliko osnovnih koraka, opisanih u narednim polavlima. 1) Povećane kontrasta Kontrast slike povećan e primenom ednostavne loaritamske operacie. Loaritamska operacia definisana ednačinom: (, ) lo[k f(, )] (1) primenena e na oriinalnu sliku f(, ), de e (, ) slika sa povećanim kontrastom. Vrednost ulazno parametra loaritamske funkcie k se može menati zavisno od toa koliko e potrebno povećati kontrast. U ovom aloritmu kontrast mamorama e povećan postavlanem vrednosti parametra k=7. Ova operacia, iako e primenena na celu sliku, značano povećava kontrast u područima koa se nalaze u blizini ivice doke, koe karakterišu male ustine tkiva i slabo definisani detali slike. Cil primene ove procedure na mammoram e određivane aproksimacie ivice doke što e mouće bliže stvarno ivici doke [3]. Rezultat primene procedure za povećane kontrasta može se videti poređenem oriinalno mamorama i mamorama sa povećanim kontrastom na Sl. (a) i (b). 4) Uklanane pozadine Procedura za uklanane pozadine doke biće opisana za LMLO (Left MLO) tip mamorama. Procedura uklanana pozadine kod RMLO (Riht MLO) tipa mamorama e veoma slična, tako da nie potrebno opisivati obe. Da bi pozadina doke bila uklonena, neophodno e kreirati binarnu masku. Binarna maska (Sl. (e)) kreirana e primenom aloritma opisano u dalem tekstu. Aloritam za formirane binarne maske Korak 1: Inicialna vrsta e prva vrsta. Korak : Skenira vrstu s desne na levu stranu. Korak 3: Ako e piksel crn pređi na sledeći piksel i ponovi Korak 3. U suprotnom, ako e piksel beo pređi na Korak 4. Korak 4: Prelazi na sledeći piksel sve dok e piksel beo. Kada piksel postane crn idi na Korak 5. Korak 5: Tekući piksel zameni crnim pikselom i pređi na sledeći. Ako e tekuća kolona posledna kolona, pređi na Korak 6, u suprotnom, ponovi Korak 5. Korak 6: Ponovi korake -5 za sledeću vrstu. Područe od interesa izdvoeno e množenem binarne maske, kreirane na opisan način, sa oriinalnim mamoramom. Sl. (f) prikazue doku izdvoenu iz pozadine. ) Kvantizacia Kvantizacia e proces predstavlana vrednosti odmeraka diskretno sinala ili slike, pomoću konačno skupa dozvolenih vrednosti. Kod diitalne reprezentacie, upotrebom n bita po odmerku i upotrebom samo pozitivnih celih broeva, postoi tačno n kvantizacionih nivoa koi pripadau opseu [0 n -1]. Za dobiane binarne slike, korišćeno e n=1 bit za predstavlane svako piksela slike. Svaki piksel slike predstavlen e ednom od mouće dve vrednosti, 0 što odovara crno boi ili 1 što odovara belo boi. eophodno e, na odovaraući način, oraničiti opse dato ulazno sinala, tako da odovara ulaznom dinamičkom opseu kvantizera. Dona ranica dinamičko opsea kvantizera postavlena e na vrednost 18, a orna na vrednost 55. To znači da e svakom pikselu čia vrednost pripada opseu [18 55], dodelena vrednost 1, a svakom pikselu čia e vrednost van pomenuto opsea, dodelena e vrednost 0. a Sl. (c) prikazana e binarna verzia mamorama sa povećanim kontrastom. (a) (c) (b) (d) 3) Pobolšavane binarne slike Da bi male bele površine koe ne pripadau doci bile uklonene, doka e uobličena primenom edno od elemenata za struktuirane obekata slike. a Sl. (d) prikazana e pobolšana verzia binarne slike. (e) (f) Sl.. Rezultati dobieni u svako poedinačno fazi procedure za izdvaane područa od interesa: (a) Oriinalni mamoram, (b) Mamoram sa povećanim kontrastom, (c) Binarizovan mamoram, (d) Pobolšana verzia binarno mamorama, (e) Binarna maska, (f) Izdvoen ROI.

3 III. KORIŠĆEE METODE Procedura klasifikacie medicinskih slika, opisana u radu, sastoi se od tri osnovna koraka: (1) Izdvaane osobina slike, () Selekcia osobina i (3) Klasifikacia slike. A. Izdvaane osobina slike Osnovni cil obrade slike e izvlačene osobina iz slike pomoću koih se može izvršiti računarska interpretacia i analiza slike. Tekstura slike opisue prostorno uređene nivoa sivo piksela u ednom reionu. Osobine teksture slike su veoma važne za klasifikaciu medicinskih slika i načešće su korišćeno sredstvo za detektovane tumora doke na mamoramu [4]. Postoi veliki bro metoda za izdvaane različitih osobina slike, a izbor se vrši zavisno od toa koe su osobine potrebne za dalu analizu. Za izdvaane osobina teksture slike korišćena e kookurensna matrica. Svaki element kookurensne matrice predstavla procenu verovatnoće poavlivana para piksela određenih inteziteta u određenom reionu, na nekom rastoanu d. Zbo toa e ova statistička metoda dobila naziv statistika združeno poavlivana nivoa sivo (enl. Gra level cooccurrence - GLC). GLC matrice (GLCM) se mou izračunavati za 4 pravca: 0, 45, 90 i 135. Bro nivoa sivo na slici određue dimenzie GLC matrice. Iz kookurensnih matrica se može izračunati veliki bro osobina teksture. U ovom radu, GLC matrica e izračunata na dva različita načina i rezultati klasifikacie slike za tako izdvoene osobine su upoređeni. Kod prvo načina izračunavana, koi e Haralick [5] predložio u svom radu, GLC matrica e izračunata za 4 pravca (0,45,90,135 ) i rastoane između piksela d=1. akon izdvaana osobina teksture iz svake GLC matrice, za svaku poedinačnu osobinu teksture slike izračunate su dve vrednosti, prosečna vrednost i ran. U druom slučau, GLC matrica e izračunata samo za pravac 0 i rastoane d=1. Eksperimentalni rezultati su pokazali da su primenom drue metode za izdvaane osobina teksture slike dobieni mnoo boli rezultati klasifikacie. Prema tome, u dalem tekstu biće analizirane samo GLCM osobine teksture izračunate za pravac 0 i rastoane d=1. Analizirano e ukupno 0 osobina slike. Osobine teksture, f1-f13, e predložio Haralick, Soh [6] e definisao osobine f14-f18 a, f19 i f0 su osobine koe e opisao Clausi [7]. Za definisane GLCM osobina slike korišćene su sledeće oznake: P(i,) Piksel u i-to vrsti i -to koloni GLC matrice. bro nivoa sivo. P X i i X i0 i, 1 X 0 (i) P P(i, ), P (i) P(i, ) i1 (k) P(i, ) i k k,,,3,..., i1 1 P (k) P(i, ), i1 1 i k, k 0,1,..., 1 ip(i, ) i, (i, ) P i Obeleža teksture slike: i, ip(i, ) (i ) P(i, ) i, ( ) P(i, ) i 1. Anular Second Moment (Ener). Contrast f i 1 {P(i, )} 1 n0 i1 1 f n { P (i, )}, i n 3. Correlation f 3 i 4. Sum of Squares: Variance i (i) P(i, ) f 4 (i ) P(i, ) 5. Inverse Difference Moment (Homoeneit) P(i, ) f 5 i 1 (i ) 6.Sum Averae f 6 ip (i) i X 7. Sum Variance f 7 (i f 8) (i) 8. Sum Entrop i P

4 9. Entrop i f 8 P (i) lo P (i) f 9 P(i, ) lo(p(i, )) i 10. Difference Variance 1 10 f i P (i) i0 11. Difference Entrop 1 i0 f 11 P (i) lo P (i) 1. Information Measure of Correlation 1 HXY HXY1 f 1 ma HX, HY 13. Information Measure of Correlation 1 f 13 (1 ep[.0(hxy HXY)]) Gde su: HXY i i P(i, ) lo(p(i, )) HXY 1 P (i, ) lo P (i) P () HXY P (i) P () lo P (i) P () i 14. Autocorrelation 14 (i) P(i, ) f i 15. Dissimilarit f 15 i P(i, ) i 16. Cluster Shade 3 f 16 (i ) P(i, ) i 17. Cluster Prominence 4 f 17 (i ) P(i, ) i 18. Maimum Probabilit f 18 ma P(i, ) i, 19. Inverse Difference ormalized P(i, ) f 19 i 1 i / 0. Inverse Difference Moment ormalized P(i, ) f 0 i 1 (i ) / B. Selekcia osobina slike Selekciom izdvoenih osobina slike smanue se bro osobina na osnovu koih se vršiti klasifikacia sa cilem da se poveća tačnost klasifikacie a, smani vreme izračunavana i kompleksnost izračunavana [8]. U cilu pobolšana efikasnosti faze selekcie osobina slike, ova rad predlaže ednostavan aloritam za selekciu osobina, kao i proceduru koa kombinue rezultate selekcie predloženo aloritma i rezultate statističko t-testa. Aloritam za selekciu osobina slike: Korak 1: Izdvo osobinu iz normalnih mamorama. eka to bude osobina A i (i=1,,,). Korak : Izdvo osobinu iz mamorama sa tumorom. eka to bude osobina B i (i=1,,,). Korak 3: Izračuna sumu S A za normalnih mamorama. S A A i1 i Korak 4: Izračuna sumu S B za mamorama sa tumorom. SB B i1 i Korak 5: Izračuna količnik K: Ako e S A >S B K= S A /S B U suprotnom K= S B /S A. Korak 6: Ponovi korake 1-5 za svih 0 osobina. Korak 7: a osnovu vrednosti količnika K sortira osobine slike u opadaućem redosledu. Korak 8: Označi sedam naznačaniih osobina slike. C. Klasifikacia mamorama Za klasifikaciu mamorama korišćena su tri različita klasifikatora: klasifikator zasnovan na potpornim vektorima (enl. Support Vector Machine - SVM), Baes-ov klasifikator i k- (enl. K-earest eihbor) klasifikator. Proces klasifikacie sastoi se od dve osnovne faze: (1) faza formirana modela t. obučavane, () faza testirana. U fazi obučavana, klasifikatoru se predau poznati podaci. U fazi testirana, klasifikator vrši klasifikaciu primeraka test skupa u unapred utvrđene klase. IV. MERE ZA AALIZU TAČOSTI Za analizu tačnosti klasifikacie korišćene su tri mere: Preciznost (Accurac - AC), Senzitivnost (Sensitivit - SE) i Specifičnost (Specificit - SP) [9]. Ukupan bro ispravno klasifikovanih mamorama definiše preciznost klasifikacie. Senzitivnost meri tačnost u pozitivnim primercima, a specifičnost predstavla tačnost u neativnim primercima. Pomenute mere za analizu tačnosti klasifikacie definisane su sledećim izrazima: AC= (TP+T) / (TP+FP+T+F) () SE=TP/ (TP+F) (3) SP= T / (T+FP) (4)

5 Gde su TP stvarno pozitivni (enl. True Positive Rate) i T stvarno neativni (enl. True eative Rate) rezultati predviđana koi predstavlau ispravnu klasifikaciu a, FP lažno pozitivni (enl. False Positive Rate) i F lažno neativni (enl. False eative Rate) rezultati predviđana koi predstavlau dva mouća tipa reške. V. EKSPERIMETALI REZULTATI Klasifikovane su dve rupe mamorama: mamorami iz MIAS baze slika i mamorami iz Kliničko centra u Krauevcu. Testirano e ukupno 100 mamorama, 5 normalnih i 5 mamorama sa tumorom iz MIAS baze i 5 normalnih i 5 mamorama sa tumorom iz kliničko centra. Posle pretprocesirana ulazne slike, iz slike e izdvoeno 0 osobina i označeno e 5-6 naznačaniih osobina. arelevantnie osobine postavlene su na ulaz klasifikatora koi svrstava sliku u ednu od dve kateorie. Izbor klasifikatora za enerisane preciznih modela predviđana predstavla složen zadatak. Iz to razloa implementirana su tri različita klasifikatora, SVM, Baes-ov i k- klasifikator. Eksperiment e izveden za obe rupe mamorama odvoeno i napravleno e poređene rezultata oba eksperimenta. Za svaki mamoram izdvoeno e ukupno 0 teksturalnih osobina slike. Pet šest naznačaniih osobina slike odabrano e primenom procedure koa kombinue rezultate predloženo aloritma za selekciu osobina i statističko testa t-testa. Predložena procedura za selekciu naznačaniih osobina slike: Korak 1: Izdvo 0 osobina iz slike. Korak : Primenom predloženo aloritma za odabir narelevantniih osobina slike kreira skup n1 koi čini 7 naznačaniih osobina. Korak3: Primenom t-testa kreira skup n koi čini 7 naznačaniih osobina. Korak 4: ađi presek skupova n1 i n, n1 n = n. Korak 5: ađi skup p koi čine osobine koe se nalaze na prvom, druom ili trećem mestu u skupovima n1 i n a, ne pripadau skupu n. Korak 6: Unia skupova n i p predstavla skup osobina slike koe se predau klasifikatoru. U Tabeli I prikazane su osobine mamorama iz MIAS baze označene kao naznačanie primenom predloženo aloritma za selekciu (skup n1) i primenom t-testa (skup n). Vrednosti u koloni Redni bro označavau znača osobine za klasifikaciu slike. TABELA I AJZAČAJIJE OSOBIE MAMOGRAMA IZ MIAS BAZE Redni Bro Skup osobina n1 Skup osobina n 1 Cluster Shade (f16) Correlation (f3) Cluster Prominence(f17) Cluster Shade (f16) 3 Contrast (f) 4 Difference Variance (f10) 5 Dissimilarit (f15) 6 7 Difference Entrop (f11) Maimum Probabilit (f18) Cluster Prominence(f17) Contrast (f) Difference Variance (f10) Inverse Difference Moment ormalized (f0) Informaiton Measure of Correlation (f13) Skup n e definisan kao presek skupova n1 i n. Prema tome, osobine f, f10, f16 i f17 čine skup n. Prve tri pozicie u skupu n1 zauzimau osobine slike koe pripadau skupu n, tako da se ne mou naći u skupu p. Osobina f3, koa se nalazi na prvom mestu u skupu n, pridružue se skupu p. Osobine koe zauzimau druo i treće mesto u skupu n takođe pripadau skupu n pa se ne mou pridružiti skupu p. Konačno, skup p sadrži samo ednu osobinu slike f3. Uniom skupova n i p određene su narelevantnie osobine za klasifikaciu mamorama iz MIAS baze slika a, to su osobine f, f3, f10, f16 i f17. Zatim, predložena procedura za selekciu naznačaniih osobina mamorama primenena e na mamorame iz kliničko centra. U Tabeli II prikazane su osobine mamorama iz kliničko centra označene kao naznačanie primenom predloženo aloritma za selekciu (skup n1) i primenom t-testa (skup n). Vrednosti u koloni Redni bro označavau znača osobine za klasifikaciu slike. TABELA II AJZAČAJIJE OSOBIE MAMOGRAMA IZ KLIIČKOG CETRA Redni Bro Skup osobina n1 Skup osobina n1 1 Variance (f4) Information Measure of Correlation 1 (f1) Autocorrelation (f14) Sum Variance (f7) 3 Sum Variance (f7) Correlation (f3) 4 Cluster Prominence (f17) Autocorrelation (f14) 5 Sum Averae (f6) Variance (f4) 6 Sum Entrop (f8) Sum Averae (f6) 7 Entrop (f9) Maimum Probabilit (f18) Skup n kod mamorama iz kliničko centra čine osobine f4, f6, f7 i f14. Prve tri pozicie u skupu n1 zauzimau osobine slike koe pripadau skupu n, tako da se ne mou naći u skupu p. Skup p sadrži dve osobine iz skupa n f3 i f1. Uniom skupova n i p određene su narelevantnie osobine za klasifikaciu mamorama iz kliničko centra a, to su osobine f3, f4, f6, f7, f1 i f14. Odabranih pet (šest) osobina slike korišćeno e za klasifikaciu mamorama pomoću SVM klasifikatora, Baesovo klasifikatora i k- klasifikatora. U Tabeli III prikazani su rezultati klasifikacie 10 slučano izabranih mamorama.

6 TABELA III REZULTATI KLASIFIKACIJE 10 SLUČAJO IZABRAIH UZORAKA SVM Baes k- f, f3, f10, f16, f17 f3, f4, f6, f7, f1, f14 MIAS Klinički Klinički MIAS centar centar 6 ispravnih 7 ispravnih 5 ispravnih 9 ispravnih 4 porešna 3 porešna 5 porešnih 1 porešan 7 ispravnih 7 ispravnih 4 ispravna 9 ispravnih 3 porešna 3 porešna 6 porešnih 1 porešan 5 ispravnih 5 porešnih 6 ispravnih 4 porešna 3 ispravna 7 porešnih 7 ispravnih 3 porešna SVM klasifikator i Baes-ov klasifikator dau slične rezultate klasifikacie dok rezultati dobieni korišćenem k- klasifikatora su značano lošii kod oba tipa mamorama. aboli rezultati klasifikacie u Tabeli III su rezultati dobieni klasifikaciom mamorama iz kliničko centra, korišćenem SVM i Baes-ovo klasifikatora i osobina slike odabranih u eksperimentu sa slikama iz kliničko centra, f3, f4, f6, f7, f1 i f14. Rezultati klasifikacie mamorama iz kliničko centra su boli od rezultata klasifikacie mamorama iz MIAS baze slika čak i u slučau klasifikacie bazirane na 5 naznačaniih osobina dobienih u eksperimentu sa MIAS slikama. Vrednosti pokazatela tačnosti predloženo sistema za detektovane tumora doke prikazane su u Tabeli IV. TABELA IV PERFORMASE PREDLOŽEOG SISTEMA ZA OBA TIPA MAMOGRAMA Mamorami iz MIAS baze slika Mamorami iz kliničko centra AC SE SP AC SE SP SVM 64% 67% 50% 9% 85,70% 100% Baes 75% 71.50% 67% 9% 85,70% 100% k- 56% 57% 33% 73% 80% 60% VI. ZAKLJUČAK Razvo i unapređene CAD (Computer Aided Dianosis) sistema odvia se prilično brzo, ali nihova tačnost oš uvek nie zadovolavauća. Zbo toa nie mouće osloniti se na dianozu kou oni nude, već ih e potrebno koristiti isklučivo nakon donošena dianoze, kako bi se ona potvrdila ili uočio moući previd. Mere izračunate iz GLC matrice su se pokazale kao veoma pouzdane, zbo čea e GLCM metoda edna od načešće korišćenih metoda za kvantitativnu karakterizaciu teksture, bilo u praktično primeni, bilo u teorisko analizi, kao polazna tačka za ocenu novih aloritama. Pokazano e da su rezultati klasifikacie mamorama iz kliničko centra mnoo boli od rezultata dobienih u slučau klasifikacie mamorama iz MIAS baze slika, za sve rupe izdvoenih osobina i sva tri klasifikatora. Dali rad biće usmeren ka razvianu novih metoda za selekciu narelevantniih osobina mamorama, metoda za sementirane mamorama te klasifikaciu sementiranih uzoraka, kao i povećanu broa klasnih rupa. LITERATURA [1] R. A. Papadopoulos, D. I. Fotiadis, A. Likas, An automatic microcalcification detection sstem based on a hbrid neural network classifier, Artificial Intellience in Medicine, vol. 5, pp , 00. [] S. Liu, C. F. Babbs, E.J. Delp, Multiresolution detection of speculated lesions in diital mammorams, IEEE Transactions Imae Processin, vol. 10, pp , Jun 001. [3] R. M. Ranaan, Biomedical Imae Analsis, USA: CRC Press LLC, 005. [4]. Pradeep, H. Girisha, K. Karibasappa, Sementation and Feature Etraction of Tumors from Diital Mammorams, Computer Enineerin and Intellient Sstems, vol. 3, no. 4, pp , 01. [5] R. M. Haralick, K. Shanmuam, I. Dinstein, Tetural features for imae classification, IEEE Transactions on sstems, man and cbernetics, vol. 3, no. 6, pp , [6] L. K. Soh, C. Tsatsoulis, Teture Analsis of SAR Sea Ice Imaer Usin Gra Level Co-Occurrence Matrices, IEEE Transactions on eoscience and remote sensin, vol. 37, no., pp , [7] D. A. Clausi, An analsis of co-occurrence teture statistics as a function of re level quantization, Canadian Journal of Remote Sensin, vol. 8, no. 1, pp. 45 6, 00. [8] M. A. Alolfe, W. A. Mohamed, A. M. Youssef, Y. M. Kadah, A. S. Mohamed, Feature selection in computer aided dianostic sstem for microcalcification detection in diital mammorams, 6th ational Radio Science Conference, ew Cairo, Ept, 009. [9] B. Verma, P. McLeod, A. Klevansk, Classification of benin and malin patterns in diital mammorams for the dianosis of breast cancer, Epert Sstem with Applications, vol. 37, no. 4, pp , 010. ABSTRACT This paper presents a sstem for mammorams classification into one of two cateories, mammorams with breast cancer and mammorams without breast cancer. The proposed sstem consists of four modules: preprocessin, which includes noise reduction and reion of interest etraction, tetural features etraction and selection and mammoram classification. After oriinal imaes preprocessin, a total of 0 GLCM features are etracted for each mammoram. In order to improve the accurac of classification stae, the most relevant features are selected b selection alorithm proposed in this paper. Prediction results of three different classifiers were analzed: SVM classifier, Baes and k- classifier. In order to compare eperimental results, sstem for breast tumors detection was tested for mammoraphic imaes from Mammoraphic Imae Analsis Societ (MIAS) diital mammoram database and mammoraphic imaes from the Clinical Center in Krauevac. Mammoram classification applin a new method for the most important imae features selection Marina Milošević, Draan Janković, Đorđe Damnanović and Aleksandar Peulić