Rintasyöpä on länsimaiden yleisin naisten syöpä. Mitä aikaisemmin rintasyöpä havaitaan, sitä todennäköisemmin se onnistutaan parantamaan. Paras keino rintasyövän toteamiseksi sen varhaisessa vaiheessa on mammografia, eli rinnan röntgenkuvaus.

Mammografiakuvia tulkitsevat niiden lausumiseen erikoistuneet radiologit. Osa mammografiakuvissa näkyvistä syövistä jää heiltä kuitenkin havaitsematta, koska syövän aiheuttamat muutokset ovat pieniä ja kätkeytyvät terveen kudoksen joukkoon.

Radiologien työtä helpottamaan on kehitetty useita tietokoneavusteisia järjestelmiä. Osa järjestelmistä pyrkii tunnistamaan rintasyövät automaattisesti mammografiakuvista ja esittää löydöksensä radiologille. Osa taas korostaa kuvien tähtimäisiä, pallomaisia tai ryynimäisiä rakenteita, jotka ovat mammografiakuvien tärkeimpiä syöpään viittaavia muutoksia.

Diplomityössä kehitettiin järjestelmä tähtimäisten rakenteiden tunnistukseen TACT-mammografiakuvista. Tavoitteena oli, että tähtimäisiä rakenteita korostava kuvanparannusmenetelmä voitaisiin kohdistaa vain kuviin, joissa kyseisiä rakenteita todella esiintyy.

Kehitetty järjestelmä etsii TACT mammografiakuvista säiemäisten rakenteiden leikkauspisteet, jotka se luokittelee tähtimäisten rakenteiden keskustoiksi. Järjestelmä estimoi aluksi kuvien säierakenteiden suunnat viivatunnistinmenetelmällä. Suuntien perusteella se muodostaa jokaiselle kuvan pisteelle sen naapuruston säierakenteiden suuntien jakaantumista kuvaavat suuntahistogrammit. Suuntahistogrammeista järjestelmä laskee kaksi piirrettä kuvan jokaiselle pisteelle. Toinen piirteistä kuvaa pistettä kohti suuntautuneiden säikeiden lukumäärää ja toinen säikeiden suuntien jakaantumisen tasaisuutta. Lopuksi järjestelmä laskee Bayesmenetelmällä jokaiselle kuvan pisteelle todennäköisyyden sen kuulumisesta tähtimäisen rakenteen keskustaan.

Järjestelmän antamia tuloksia verrattiin kahden henkilön suorittamiin tähtimäisyysluokituksiin ROC- ja FROC-analyyseillä. Tuloksista kävi ilmi, että tähtimäisyys on subjektiivinen arvo, joten tulokset riippuivat Siitä, kumman luokituksiin järjestelmää verrattiin. FRX-analyysin perusteella järjestelmä löysi parhaimmillaan 80 % kaikista kasvaimista, tuottaen keskimäärin yhden väärän hälytyksen kuvaa kohden.