Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015
Comparative study on Otsu, EICAMM and level set
techniques to automatic segmentation of breast
lesions in digital mammography
Karem D. Marcomini
Departamento de Engenharia Elétrica
Universidade de São Paulo
São Carlos, Brasil
karem.dm@gmail.com
Abstract—Mammography is the primary screening technique
for early detection of breast malignant neoplastic disease.
Computational procedures have been developed to increase the
reliability of diagnosis. Segmentation is the step that can result in
the success or failure in these systems. In order to study
automatic techniques with the highest accurate results, we
propose the use of Otsu, level set and Enhanced Independent
Component Analysis Mixture Model (EICAMM) segmentation
techniques. The evaluation of these techniques occurred through
comparative analysis of the image delineated manually by the
specialist with those that were automatically obtained by
segmentation techniques. The method that proved to be more
effective for this database was the level set with the highest
overlap rates in relation the image delimited by the specialist, low
rates of under-segmentation and over-segmentation.
Furthermore, the level set was practically invariant using pre-
processing and post-processing.
Keywords—Breast cancer, mammography, image segmentation,
Computer Aided-Detection.
I. INTRODUÇÃO
A mamografia é a técnica mais comum usada por
radiologistas na análise e diagnóstico de câncer de mama [1].
Devido à alta taxa de incidência dessa anomalia entre as
mulheres em todo o mundo e na tentativa de se obter a
detecção precoce, a mamografia é recomendada até mesmo
para mulheres assintomáticas, pois é capaz de detectar a doença
de 3 a 4 anos antes da manifestação dos sintomas, tornando-se
o instrumento mais efetivo no diagnóstico precoce.
No entanto, nem todos os cânceres são detectados pela
mamografia e alguns são detectados clinicamente após um
escaneamento mamográfico negativo. A detecção nesse
“intervalo” tem sido associada com diversos fatores incluindo
idade mais jovem, status pré-menopausa, alta densidade
mamográfica e terapia hormonal [2]. Além disso, distorções na
interpretação de lesões suspeitas pelos especialistas resultam
em um elevado número de biópsias desnecessárias. Em outras
palavras, 65-85% de biópsias na mama são realizadas em
massas benignas [3].
283
Homero Schiabel
Departamento de Engenharia Elétrica
Universidade de São Paulo
São Carlos, Brasil
homero@sc.usp.br
Com a finalidade de minimizar esses erros e ajudar na
detecção precoce do câncer de mama, sistemas computacionais
vêm sendo desenvolvidos como uma ferramenta de auxílio ao
diagnóstico [4]. Um sistema de diagnóstico auxiliado por
computador (CAD – do inglês: Computer-aided Diagnosis)
consiste de um conjunto de ferramentas automáticas ou semi-
automáticas desenvolvidas para auxiliar radiologistas na
detecção e/ou classificação de anormalidades na mamografia
[1].
Intensivos estudos têm sido realizados na área de
segmentação de imagens mamográficas, principalmente na
identificação de lesões em mamas densas. A segmentação é o
estágio mais crítico do processamento dos dados, pois erros ou
distorções na representação da lesão podem ocasionar um
diagnóstico incorreto. Dessa forma, a precisão do nódulo tende
a determinar o sucesso ou fracasso durante a análise –
classificação dos dados [5].
Baseado nessas características, propomos nesse trabalho
investigar a eficiência de alguns métodos de segmentação
propostos na literatura. Para tal finalidade, utilizamos Otsu [6]
por ser uma técnica clássica e que é aplicada em diversas
finalidades há um longo tempo; EICAMM (Enhanced
Independent Component Analysis Mixture Model) que foi
recentemente proposta por [7] e teve sua aplicação em
mamografias estudada por [5]; e, por fim, utilizamos o level set
[8], o qual vem sendo amplamente utilizado em alguns estudos
atuais na área de segmentação.
II. BASE DE IMAGENS
A base de imagens INbreast foi adquirida no Centro de
Mama pertencente ao Centro Hospitalar de São João (CHSJ)
em Porto, Portugal, com permissão do Comitê de Ética do
Hospital e Comitê Nacional de Proteção de Dados. Para a
aquisição das imagens, foi utilizado o equipamento
MammoNovation Siemens FFDM (full-field digital
mammography), com tamanho de pixel de 70μm e 14 bits de
resolução de contraste. As imagens foram armazenadas em
arquivo DICOM. Todas as informações médicas confidenciais
foram removidas do arquivo correspondente [9].
 Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015
Essa base possui um total de 115 casos de imagens de
triagem, diagnóstico e acompanhamento. Porém, foram
selecionados apenas imagens que continham algum tipo de
lesão e que já tivessem seu contorno delimitado manualmente
pelo especialista, cujos dados são fornecidos pela própria
INbreast. Assim, foram separadas 51 mamografias, sendo 26
em projeção CC e 25 em MLO. Um especialista definiu as
regiões de interesse (ROIs), e como alguns casos continham
mais de uma lesão por imagem, obteve-se um total de 58 ROIs
para os testes.
III. PROCESSAMENTO DE IMAGENS
Os algoritmos descritos a seguir foram desenvolvidos
utilizando o software MATLAB (Matrix Laboratory) versão
8.2 (R2014b). Os testes computacionais foram executados em
um computador com processador Intel Core I7-3770, 3.40GHz,
16GB.
A. Pré-Processamento
Um pré-processamento foi desenvolvido para expandir o
contraste, principalmente quando os níveis de cinza estão
limitados a uma pequena faixa de valores, como é o caso de
mamas radiograficamente densas. De acordo com [5], 8 bits
são suficientes para representar cada pixel. Além disso, ao
reduzir essa faixa de valores, o processamento das etapas
seguintes torna-se mais ágil e não interfere na qualidade final
da segmentação. Assim, a resolução de contraste foi reduzida
de 14 bits para apenas 8 bits. Em seguida, foi realizado um
alargamento de contraste de forma que toda a faixa de níveis de
cinza fosse abrangida, ou seja, compreender os valores de zero
a 255 – conforme a Eq. 1.
 Im  255(Im_ E  min) /(max  min) 
em que, Im_E, min, max e Im representam a imagem de
entrada, o valor mínimo e máximo da intensidade de cinza e a
imagem final, respectivamente.
E por fim, a equalização da imagem [10] foi aplicada para
atenuar ainda mais as diferentes intensidades de níveis de
cinza.
B. Segmentação
O principal objetivo do processo de segmentação é
particionar uma imagem em regiões que são homogêneas com
relação a uma ou mais características. É uma importante
ferramenta no processamento de imagens médicas e tem sido
útil em muitas aplicações, tornando-se um importante passo
para a extração de características e determinação de medidas da
imagem [11].
1) Otsu: é um tipo de limiarização global que depende
apenas do valor do nível de cinza da imagem. Esse método é
amplamente utilizado por ser simples e efetivo em diversos
casos de segmentação. Esse método possui a peculiaridade de
se basear inteiramente em cáculos realizados sobre o
histograma da imagem e não em propriedades locais de cada
284
imagem. Além disso, um limiar adequado é selecionado de
forma automática e estável por meio de um processo simples e
de baixo custo computacional [6].
2) EICAMM: Esse modelo foi desenvolvido por [11] e
aplicado em mamografias por [5]. Essa técnica surgiu com o
objetivo de superar algumas limitações do método
Independent Component Analysis Mixture Model (ICAMM).
Trata-se de um algoritmo de agrupamento em que os pontos a
serem agrupados são gerados por um processo matemático
descrito como uma mistura de classes de densidades de
probabilidade k. Desse modo, o objetivo do agrupamento é
encontrar os parâmetros de distribuição de cada classe e
atribuir a amostra de acordo com a mais alta probabilidade.
Nos experimentos com a EICAMM, k = 2 e o número máximo
de iterações foi de 400 com limite de erro igual a 0,0001 [5].
3) Level set: foi introduzido para rastrear interfaces e
formas. A ideia central é representar o contorno implícito
como o nível zero da função e, assim, minimizar a energia
dessa função (Eq. 2).
F (c1, c2, C)  ..Lenght (C)   . Area (inside(C))
2 2
    0 ( x, y)  c1 dxdy     0 ( x, y)  c2 dxdy (2)
em que, o primeiro termo representa a energia dentro de C e o
segundo termo a energia fora de C. Também, µ≥0, v≥0, λ1,
λ2≥0 são parâmetros fixos, preferencialmente com os seguintes
valores v=0, λ1=λ2=1, objetivando a suavidade das bordas.
O level set aplicado nessa pesquisa baseou-se no algoritmo
proposto por [12] com a redefinição de alguns parâmetros
iniciais, que são: contorno inicial e a quantidade de iterações. O
contorno inicial foi definido como sendo um retângulo
posicionado na região central da imagem e com dimensão de
60% da quantidade de pixels correspondentes à altura e largura
– razão de aspecto. A convergência dos dados varia de acordo
com a dimensão da ROI, sendo assim, a quantidade de
iterações foi estabelecida a partir do valor médio obtido com a
soma da quantidade de pixels referentes a altura e largura da
ROI com um fator de ponderação de 0,75 (como exposto na
Eq. 3).
Iteracoes 0.75(l  a) / 2 (3)
em que, l refere-se a largura da ROI e a à sua altura.
O valor de ponderação foi definido de forma arbitrária, de
modo que possibilitasse a convergência mais rápida do mapa
de bordas da imagem e revelasse resultado mais preciso no
conjunto de imagem em uso.
C. Pós-Processamento
O pós-processamento para a remoção de artefatos e ruídos
após a segmentação foi realizado em duas etapas. A primeira
(Fase 1 do PP – pós-processamento) delas decorreu do uso de
operadores morfológicos de abertura e fechamento [13]. A
 Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

segunda etapa (Fase 2 do PP – pós-processamento) visou a
uniformização do objeto segmentado, proveniente da remoção
dos pixels desconexos ao objeto de interesse (região com maior
área segmentada) e união dos vales internos a região
segmentada [14].
D. Extração de Medidas
A fim de fornecer dados quantitativos referente à cada
técnica de segmentação utilizada, cada uma delas foi
comparada com área resultante da segmentação manual
proporcionada por um radiologista, cujos dados de borda estão
disponibilizados na base de imagens utilizada. Para isso, foram
extraídas as seguintes medidas: medida da área sobreposta
(AOM - area overlap measure), de falta na segmentação
(AUM – undersegmentation measure), segmentação excessiva
(AVM – oversegmentation measure) e medida combinada (CM
– combination measure) [15].
IV. RESULTADOS E DISCUSSÕES
O objetivo desse experimento é avaliar as técnicas de
segmentação apresentadas na seção III, assim como verificar se
técnicas de pré-processamento e pós-processamento
forneceriam dados mais precisos quando comparada a imagem
segmentada automaticamente com a delimitada pelo
radiologista. Na Fig. 1 são exibidos alguns exemplos de ROIs
segmentadas pelas técnicas abordadas.

(a) (b) (c) (d) (e) (f) (g) (h)

Fig. 1. Imagens segmentadas automaticamente pela técnica EICAMM. (a) segmentação; (b) segmentação e Fase 2 do PP; (c) segmentação e Fase 1 do PP; (d)
segmentação, Fase 1 do PP e Fase 2 do PP; (e) pré-processamento e segmentação; (f) pré-processamento, segmentação e Fase 2 do PP; (g) pré-processamento,
segmentação e Fase 1 do PP; (h) pré-processamento, segmentação, Fase 2 do PP e Fase 1 do PP.

(a) (b) (c) (d) (e) (f) (g) (h)

Fig. 2. Imagens segmentadas automaticamente pela técnica level set. (a) segmentação; (b) segmentação e Fase 2 do PP; (c) segmentação e Fase 1 do PP; (d)
segmentação, Fase 1 do PP e Fase 2 do PP; (e) pré-processamento e segmentação; (f) pré-processamento, segmentação e Fase 2 do PP; (g) pré-processamento,
segmentação e Fase 1 do PP; (h) pré-processamento, segmentação, Fase 2 do PP e Fase 1 do PP.

285
 Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

(a) (b) (c) (d) (e) (f) (g) (h)

Fig. 3. Imagens segmentadas automaticamente pela técnica de Otsu. (a) segmentação; (b) segmentação e Fase 2 do PP; (c) segmentação e Fase 1 do PP; (d)
segmentação, Fase 1 do PP e Fase 2 do PP; (e) pré-processamento e segmentação; (f) pré-processamento, segmentação e Fase 2 do PP; (g) pré-processamento,
segmentação e Fase 1 do PP; (h) pré-processamento, segmentação, Fase 2 do PP e Fase 1 do PP.

Quanto ao uso do pré-processamento, podemos notar que é
imprescindível sua aplicação antecedente a segmentação pela
técnica EICAMM, principalmente se tratando de mamas
radiograficamente densas. Quando o mesmo não é adotado, o
objeto segmentado é apresentado por pontos e não como um
objeto que possui contorno contínuo e uniforme. No momento
em que as informações adicionais são removidas durante a
etapa de pós-processamento a região segmentada desaparece e
se mantém na imagem apenas alguns poucos pontos. Esse fato
é destacado na Fig. 1 (a-d).
Já quando a segmentação é aplicada sobre a imagem e não
há o uso do pós-processamento da informação, pode ocasionar
casos mais ruidosos. Isso ocorre tanto no uso da técnica de
Otsu quanto na EICAMM (Fig. 1 e Fig. 3 casos (a) e (e)).
Na segmentação por level set, podemos destacar a produção
de único e uniforme em todos os casos (Fig. 2).
Para avaliar precisamente as técnicas de segmentação,
dados quantitativos foram levantados e os valores médios
percentuais obtidos estão apresentados na Tabela 1.

TABLE I. MEDIDAS PARA A AVALIAÇÃO DAS TÉCNICAS AUTOMÁTICAS DE SEGMENTAÇÃO

Sem pré-processamento Com pré-processamento

Processamento
AOM AUM AVM CM AOM AUM AVM CM

Segmentação 64,14 15,43 26,51 74,06 63,74 14,4 27,12 74,07

Segmentação + Fase 2 do PP 68,17 13,29 23,32 77,19 68,24 12,38 22,61 77,75
EICAMM
Segmentação + Fase 1 do PP 60,79 24,97 24,76 70,35 65,3 16,07 24,02 75,07

Segmentada + Fase 1 do PP + Fase 2 do PP 63,41 24,84 21,38 72,40 69,5 14,35 19,33 78,61

Segmentação 74,99 6,70 19,96 82,78 74,52 11,76 15,8 82,32

Segmentação + Fase 2 do PP 75,11 6,65 19,86 82,87 74,74 11,68 15,65 82,47
Level Set
Segmentação + Fase 1 do PP 75,10 6,74 19,79 82,86 74,68 11,87 15,52 82,43

Segmentada + Fase 1 do PP + Fase 2 do PP 75,21 6,71 19,69 82,94 74,85 11,9 15,38 82,55

Segmentação 67,18 13,41 23,44 76,78 63,12 13,97 27,39 73,92

Segmentação + Fase 2 do PP 70,21 12,71 19,85 79,22 67,41 12,73 23,26 77,14
Otsu
Segmentação + Fase 1 do PP 67,45 18,26 18,09 77,04 65,74 18,81 19,98 75,65

Segmentada + Fase 1 do PP + Fase 2 do PP 69,02 18,10 15,67 78,42 68,95 18,57 15,64 78,24

Valor Ideal 100 100 0 0 100 100 0 0

286
 Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

A técnica EICAMM produziu praticamente os mesmos
resultados para a imagem segmentada e limpa com e sem pré-
processamento. Porém, quando o pré-processamento, a
segmentação e o pós-processamento, o valor de precisão
aumentou em torno de 5%, revelando seu melhor resultado
após a realização da limpeza do fundo, removendo artefatos e a
junção de vales internos – CM igual a 78,61% e menor índice
de segmentação excessiva 19,33% (AVM).
Já a segmentação utilizando o método de Otsu foi
minimamente superior (valores inferiores a 1%) na ausência de
pré-processamento.
E por fim, o level set garantiu maior precisão em relação
aos outros dois segmentadores. As medidas permanecem
praticamente inalteradas quando utilizamos ou não pré-
processamento e pós-processamento. A única diferença é que
ao utilizar pré-processamento, o valor percentual de AUM é
mais elevado do que quando o mesmo está ausente. Porém, a
medida AVM se eleva com a ausência de processamento.
Dessa forma, as medidas finais passam a ser equivalentes –
CM praticamente constante.
V. CONCLUSÕES
Dentre os segmentadores apresentados, a técnica EICAMM
produziu resultados próximos ao método de Otsu. No entanto,
o custo computacional da primeira é muito superior, levando
em média 4 minutos para processar cada ROI. Esse valor
aumenta expressivamente em ROIs de dimensões maiores,
podendo atingir um tempo superior a 10 minutos. Esse fator,
inviabiliza o uso do método em sistemas computacionais que
requerem respostas rápidas.
O algoritmo level set proporcionou maior custo
computacional que o de Otsu – o primeiro leva menos de 1
minuto, em média, para processar cada ROI, porém seu valor
foi bem inferior a EICAMM. Além disso, foi o método que
proporcionou maior precisão na determinação do contorno da
lesão, sendo indiferente o uso de pré ou pós-processamento por
produzir contornos únicos e suaves. Dessa forma, não há
distorção nos limites da lesão. Sendo, portanto, considerado o
método mais eficaz na segmentação imagens mamográficas.
[4] A. T. Stavros, “New advances in breast ultrasound: computer-aided
detection”, Ultrasound Clinics, v. 4, n. 3, p. 285-290, 2009.
[5] P. B. Ribeiro, R. A. F. Romero, P. R. Oliveira, H. Schiabel, L. B.
Verços, “Automatic segmentation of breast masses using enhanced ICA
mixture model”. Neurocomputing, v. 120, p. 61-71, 2013.
[6] N. Otsu, “A threshold selection method from gray-level histograms”,
IEEE Tansaction on System, Man, and Cybernetics, v. 9, n. 1, p. 62-66,
jan. 1979.
[7] P. R. Oliveira, R. A. F. Romero, “Improvements on ICA Mixture
Models for Image Pre-processing and Segmentation”. Neurocomputing,
v. 71, p. 2180-2193, 2008.
[8] S. Osher, J. A. Sethian, “Fronts propagating with curvature dependent
speed: algorithms based on Hamilton-Jacobi formulations”, Journal of
Computational Physics, v. 79, p. 12-49, 1988.
[9] I. C. Moreira, I. Amaral, I. Domingues, A. Cardoso, M. J. Cardoso, J. S.
Cardoso, “INbreast: Toward a full-field digital mammographic
database”, Academic Radiology, v. 19, n. 2, p. 236-248, 2012.
[10] E. D. Pisano, S. Zong, B. M. Hemminger, M. Deluca, R. E. Johnston, K.
Muller, M. P. Braeuning, S. M. Pizer, “Contrast limited adaptive
histogram equalization image processing to improve the detection of
simulated spiculations in dense mammograms”. Journal of Digital
Imaging, v. 11, n. 4, p. 193-200, nov. 1998.
[11] I. N. Bankman (Ed.), “Handbook of medical image: processing and
analysis”, 2 ed. Londres: Academic Press, 2009.
[12] S. Lankton, A. Tannenbaum, “Localizing region-based active contours”,
IEEE Transactions on Image Processing, v. 17, n. 11, p. 2029-2039, nov.
2008.
[13] A. F. C. Infantosi, L. M. S. Luz, W. C. A. Pereira, A. V. Alvarenga,
“Breast Ultrasound Segmentation Using Morphologic Operators and a
Gaussian Function Constraint”. Proc. IFMBE, v. 20, p. 520-523, 2008.
[14] K. D. Marcomini, H. Schiabel, “Nodules segmentation in breast
ultrasound using the artificial neural network Self-Organizing Map”.
World Congress on Engineering, London, v. 2, p. 1152-1155, 2012.
[15] C. Pei, C. Wang, S. Xu, “Segmentation of the breast region in
mammograms using marker-controlled watershed transform”, 2nd
International Conference on Information Science and Engineering,
Hangzhou, China, Proc. ICISE’2010, p. 2371-2374, dez. 2010.

AGRADECIMENTOS
À FAPESP (Fundação de Amparo à Pesquisa do Estado de
São Paulo) pelo apoio financeiro.

REFERÊNCIAS
[1] A. Oliver, J. Freixenet, J. Martí, E. Pérez, E. Pont, E. R. E. Denton, R.
Zwiggelaar, “A review of automatic mass detection and segmentation in
mammographic images”, Medical Image Analysis, v. 14, p. 87–110,
2010.
[2] N. F. Boyd, E. Huszti, O. Melnichouk, L. J. Martin, G. Hislop, A.
Chiarelli, M. J. Yaffe, S. Minkin, “Mammographic features associated
with interval breast cancers in screening programs”, Breast Cancer
Research, v. 16, p. 1-9, 2014.
[3] J. L. Jesneck, J. Y. Lo, J. A. Baker, “Breast mass lesions: computer-
aided diagnosis models with mammographic and sonographic
descriptors”, Radiology, v. 244, n. 2, p. 390-398, 2007.

287