Sayısal Mamogram Görüntüde Bilgisayar Destekli Kitle Tespiti için
Transkript
Sayısal Mamogram Görüntüde Bilgisayar Destekli Kitle Tespiti için
15-18 Ekim 2015 Vogue Hotel Bodrum, Muğla Tıbbi Görüntüleme 1 1. Gün / 15 Ekim 2015, Perşembe Saysal Mamogram Görüntülerinde Bilgisayar Destekli Kitle Tespiti için Bir Bulank Çkarm Sistemi Tasarm A Fuzzy Inference System Design for Computer Aided Mass Detection in Digital Mammogram Images 1 2 Volkan Göreke , Esma Uzunhisarckl ,Bilge Öztoprak 1 3 Cumhuriyet Üniversitesi Sivas Meslek Yüksek Okulu Bilgisayar Teknolojileri Bölümü vgoreke@cumhuriyet.edu.tr 2 Erciyes Üniversitesi Biyomedikal Mühendisliği uzunhise@erciyes.edu.tr 3 Cumhuriyet Üniversitesi Tp Fakültesi Radyoloji Anabilim Dal boztoprak@gmail.com Özetçe Keywords — fuzzy inference; image processing Meme kanseri halen kadnlarda en sk görülen kanser türüdür ve kansere bağl ölüm nedenlerinin de başnda gelmektedir. Bu hastalk memenin düşük radyasyon kullanlarak elde edilen X-Ray görüntüsü ile tespit edilebilir. Radyolojik görüntülerin yorumlanmasnda, hekime karar aşamasnda yardmc olmak amacyla bilgisayar yardmyla teşhis ve tespit sistemleri ile ilgili çalşmalar devam etmektedir. Bu sistemler; genel olarak görüntü işleme (image preprocessing), ve snflandrma olarak isimlendirilen temel aşamalara sahiptir. Mamogram görüntülerinden bilgisayar yardmyla kitle tespitinde yapay zeka teknikleri ve bulank çkarm sistemleri gibi yöntemler kullanlabilmektedir. Bu çalşmada MIAS veri tabanndan görüntüler kullanlmştr. Bu görüntülere görüntü işleme teknikleri uygulandktan sonra görüntüye ait istatistiksel öznitelikler hesaplanmştr. Bu öznitelikler kullanlarak kitle tespiti yapan bir bulank çkarm sistemi tasarlanmştr. Tüm görüntüler, tasarlanan sistem tarafndan test edilerek sistemin duyarllk ve özgüllük değerleri hesaplanmştr. Duyarllk için %98, özgüllük için %99 değerleri elde edilmiştir. Ayn veri seti üzerinde daha önce yapay sinir ağ ile yaptğmz çalşmada elde edilen duyarllk %96, özgüllük %96 değerlerinden daha başarl sonuç alnmştr. 1. Giriş Meme kanseri halen kadnlarda en sk görülen kanser türüdür ve kansere bağl ölüm nedenlerinin de başnda gelmektedir. 2012 ylnda yaplan bir araştrmaya göre dünya çapnda kanserin neden olduğu ölümlerin %14,79’u meme kanseri nedeniyledir [1]. Kanser belirtileri düşük seviyeli radyasyon içeren X Ray kullanlarak elde edilen mamogram görüntüleri ile tespit edilebilir [2]. Mamografik anormallikler çoğunluk olarak ya mikro kireçleme (micro-calcification) ya da kitledir (mass). Kitleler göğüste lezyon içeren bir alandr [3] ve büyüklük, şekil, konum, kontrast gibi bulgularla ilişkili olarak karakterize edilir [4]. Radyolojik görüntülerin yorumlanmasnda uzman hekime yardmc olmak amacyla bilgisayar hesaplamasna dayanan pek çok çalşma gerçekleştirilmiştir [5]. Bu bilgisayar yardmyla tespit ve teşhis sistemleri (CAD), modern tpta uzman hekim için meme kanseri gibi hastalklarn tanmlanmasnda artan bir başar oran sağlamaktadr [6, 7]. Bulank çkarm sistemleri, mamografik görüntülerin yorumlanmas için geliştirilen ve bizim de önceki çalşmamzda [15] ayn amaç için kullandğmz yapay sinir ağ gibi CAD sistemlerinde kullanlan bir tekniktir [8]. Bu çalşmada MIAS veri tabanndan elde edilen 206 adet kitle (tümör) içeren ve normal olarak isimlendirilen tümör içermeyen mamogram görüntüleri üzerinde görüntü ön işleme, görüntü iyileştirme işlemleri gerçekleştirilmiş veri tabannda piksel koordinatlar ile belirtilen kitle bölgelerinden ve normal görüntülerden rastgele seçilen 16x16 piksel boyutundaki alanlarn GLCM kullanlarak üç doku özniteliği çkarlmştr. Bu öznitelikler kullanlarak kitle (benign veya malignant) tespiti için bir bulank çkarm sistemi tasarlanmştr. Anahtar Kelimeler — bulank çkarm; görüntü işleme Abstract Breast cancer is the most common cancer in women. A mammogram is an X-ray of the breast, using very low levels of radiation. Artificial intelligence and fuzzy inference techniques can be used in CAD systems. These systems generally have main phases that the their names are image processing, and classification. In this study, we used images of mammogram that were obtained MIAS database. The fuzzy inference system was designed using image processing tecniques and statical features. The system was tested and for 2. Materyal ve Metot Çalşma mamogram görüntülerin elde edilmesi, bu görüntülere ön işleme uygulanmas, öznitelik çkarma ve bu öznitelikler ile birlikte istatistiksel yöntemler kullanlarak bulank çkarm sisteminin tasarm aşamalarn içermektedir. Sistemin başarm tüm görüntülerin sistem tarafndan snflandrlmas yaplarak hesaplanmştr. sensitivity and specificity respectively, %98 and %99 was found. This study gave better results than our earlier studies using artificial neural network that have %96 sensivity and %96 specifity. 2.1 Medikal Görüntülerin Elde Edilmesi Bu çalşmada kullanlan görüntüler bilimsel araştrmalar için açk erişime sahip veri tabanndan alnmştr. Her bir görüntü 1024x1024 piksel ve azaltlmş 200 mikron piksel kalnlğna 978-1-4673-7765-2/15/$31.00 ©2015 IEEE 38 15-18 Ekim 2015 Vogue Hotel Bodrum, Muğla Tıbbi Görüntüleme 1 1. Gün / 15 Ekim 2015, Perşembe sahiptir. MIAS veri tabanndan alnan görüntüler gürültü, etiket bilgisi ve saysallaştrma gürültüleri (baz düz çizgiler) içermektedir. Görüntü ön işleme admlarnn amac arka plan aşr etkileri ortadan kaldrarak anormalliklerin aranma sürecini snrlandrmak ve tespitini kolaylaştrmaktr [9]. Ön işleme admlar srasyla aşağda verilmiştir. olaslk yoğunluk fonksiyonunun P(i, j | d, θ), tahminine dayanr. Bu matris pikseller arasndaki uzaklk d ve aç θ iken gri seviyesi i’den gri seviyesi j’ye geçme olaslğn gösterir [15]. Bu çalşmada görüntü tanmada iyi bir başarm sağlayan d=1 ve θ=0 parametreleri için eşitlik 4,5,6 ile verilen enerji, kontrast ve homojenlik olmak üzere üç doku özniteliği, MIAS veri tabannda belirtilen kitlelerin merkez koordinatlar başlangç noktas seçilerek 16x16 piksel boyutundaki alanlar içerisinden çkarlmştr. 2.2.1 Görüntü filtreleme Enerji = Medikal görüntü işleme alannda yaygn olarak kullanlan ve medyan filtre olarak isimlendirilen istatistiksel filtre ile bir görüntünün keskinliğini düşürmeden, saysallaştrma kaynakl aykr değerler kaldrlabilir [10,11]. Bu çalşmada saysallaştrma gürültüleri W=5x5’lik bir pencere boyutu olan medyan filtre kullanlarak giderilmiştir. Kontrast 2.2 Görüntü Ön İşleme (1) P0 (t) ve P1 (t) kümülatif olaslklar, u0 (t) ve u1 (t) srasyla, D0 ve D1 snflarn ortalama seviyelerini gösterir. Otsu D0 ve D1 arasndaki snf varyansn δb(t)’yi aşağdaki eşitlik 2 ile tanmlar. δ b (t ) = p0 (t )(u 0 (t)) 2 + p1 (t )(u1 (t )) 2 (2) Optimal eşik değeri ise buna bağl olarak aşağdaki eşitlik 3 ile tanmlanr [12]. TH = arg max δ b (t ) p 2ij = i, j i − j pij Homojenlik = ∑ i, j 2 pij 1+ i − j (5) (6) Bulank mantk belirsizliğin ve insanlarn düşünme, alglama şeklinin modellenmesinde bir metodoloji sağlar. Klasik modellerde değişkenler gerçek say değerlerine sahiptir ve ilişkiler matematiksel fonksiyonlarla tanmlanr. Çkşlar “crips” olarak adlandrlan keskin değerlere sahiptir. Bulank mantk da ise sistemi etkileyen değişkenler ve sistemi etkileyen değişkenler arasndaki ilişkinin ifadesi vardr. Bu sistemde değişken değerleri “küçük,”orta”,”büyük ” gibi sözel terimlerle ifade edilir. Sistemlerin giriş çkş ilişkisi ise if-then kurallar ile tanmlanr [16]. Bir değişkenin bir kategoriye aidiyeti klasik mantkta olduğu gibi “ya aittir, ya değildir” şeklinde tanmlanmaz. Aidiyet üyelik derecesi ile tanmlanan 0 ile 1 arasnda bir değerle ifade edilir ve farkl türlerde üyelik fonksiyonlar ( triangular,gaussin ) vardr [17]. İlk defa 1965 ylnda Zadeh tarafndan tantlan bu sistem, uzman bilgisi ve nümerik veriler kullanlarak tasarlanabilir. Bir bulank çkarm sistemi bulanklaştrma, kural taban, çkarm sistemi ve durulaştrma olarak isimlendirilen gibi dört temel unsurdan oluşur [18]. L sayda birbirinden farkl gri seviyesine sahip bir görüntü 0’dan L-1’e kadar olan gri seviyelere ayrlarak I (x,y) şeklinde ifade edilebilir. Gri renk tonu i olan piksel says ni, toplam piksel says n ile ifade edilirse, gri seviye i’nin görüntüde meydana gelme olaslğ eşitlik 1 ile tanmlanr. ni n i, j 3. Bulank Çkarm Sistemi 2.2.2 Otsu metodu ve morfoloji pi = (4) ∑ ∑ (3) En yaygn morfolojik işlemler nesne kenarlarna piksellerin eklenmesi olan açma ve nesne kenarlarndan piksellerin kaldrlmas olan kapama işlemleridir [13]. Görüntüye Otsu global eşikleme (tresholding) uygulanarak sadece siyah ve beyaz renge sahip görüntü elde edildikten sonra morfolojik açma kapama işlemleri ile etiket gibi istenmeyen bileşenler görüntü üzerinden kaldrlmştr. 3.1 Bulanklaştrma Bu süreçte bir bulank değişken için üyelik fonksiyonu kullanlarak bir üyelik değeri üretilir. En çok kullanlan üyelik fonksiyonlarndan biri triangular üyelik fonksiyonudur ve eşitlik 7 ile verilmiştir. 2.2.3 Görüntü İyileştirme Histogram eşitleme bir görüntünün düşük görünürlüğünü artrmak için kullanlan en yaygn yöntemdir. Çkş histogramn uniform bir dağlma sahip hale getirir. Kontrast snrl adaptif histogram eşitleme ise histogram eşitlemenin gelişmiş şeklidir. Görüntü alt bölgelere ayrlarak her bölge için farkl değerlerde eşitleme yapar [14]. Kontrast snrl adaptif histogram eşitleme kullanlarak görüntü iyileştirme gerçekleştirilmiştir. ⎡ ⎡x −a c − x⎤ ⎤ , , 0⎥ ⎣ b − a c − b ⎥⎦ ⎦ μ A ( x) = max ⎢ min ⎢ ⎣ (7) Burada µ(x) bulank sistemin üyelik fonksiyonu, x giriş veya çkş parametre değeri, a,b,c ise sabit değerlerdir [18]. 3.2. Kural taban 2.3 Öznitelik Çkarma Bulank önermelerin bir kural taban ile temsil edilmesi gerekir. Kural taban IF-THEN kurallarndan oluşur. IF ve THEN arasndaki bölüm önerti (antecedent) THEN ifadesinden sonraki bölüm ise sonuç (consequent) olarak isimlendirilir. Mamdani modeli olarak bilinen bu model bulank sistemlerde en çok kullanlan algoritmadr. Örneğin, Doku, piksel yoğunluğunun istatistiksel özniteliklerinin bir kümesidir. Doku öznitelikleri eş oluşum matrislerine dayanan istatistiksel öznitelikler kullanlarak hesaplanabilir. Bu çalşmada Haralick doku öznitelikleri GLCM kullanlarak hesaplanmştr. GLCM ikinci dereceden bileşik durum 39 15-18 Ekim 2015 Vogue Hotel Bodrum, Muğla Tıbbi Görüntüleme 1 1. Gün / 15 Ekim 2015, Perşembe İf x is high (antecedent) then y is low (conseequent) Burada high ve low terimleri üyelik fonskiiyonlar ile temsil edilir. k eşitlik 8 ile Bir bulank çkarm sisteminde her bir kural hesaplanabilen bir ilişki olarak gösterilebilirr. μRi ( x, y) = I ( μ Ai ( x), μBi (y) ) , i = 1, 2,..., 2 n özellik gösterdiği tespit ediilmiş ve bu yüzden tüm değişkenlere ait üyelik fonksiyoonlar triangular (üçgen) yap tercih edilmiştir. Enerji değişkkeninin değerine bağl olarak normal snfta bulunan bir görüntüyü g yorumladğmzda 0,2’nin altnda bir değer aralğnnda olanlarn says az, 0,3-0,4 değer aralğnda en çok, 0,5 ve üzerinde az gibi bir sözsel ifade kullanabiliriz. Değişkenlerin bu tarz ifadesi de bulank çkarm sistemleri ile olabilir. (8) Bu eşitlikte, µRi(x,y), x ve y girişlerine göre i kuralnn üyelik derecesidir. , µAi(x) ve µBi(x) srasyla x ve y girişlerinin üyelik derecesidir min (and) ve max (or) operatörlerini belirtir. n ise kural saysdr [17]. 3.3. Bulank çkarm mekanizmas ve durulaaştrma Bu kurallar birleştiren bulank çkarm mekkanizmas, giriş ve çkşlar ilişkilendirerek makul bir çkş elde etmek için kullanlr [17]. Bulank ilişkilerde bulaank çkşn elde edilmesinde kullanlan en yaygn yööntem max-min yöntemidir, matematiksel ifadesi aşağdaaki eşitlik 9 ile verilmiştir. μC k ( Z ) = max ⎣⎡ min ⎡⎣ μ Ak ( input ( x) ) , μ Bk ( inpput (y) ) ⎤⎦ ⎤⎦ Şekil 1 Normal snfnaa ait enerji histogram (9) Triangular üyelik fonksiyonu için tanmlanmas gereken üç parametre değeri (min, tepe değeri, max) her snf için istatistiksel olarak hesaplanarakk tablo 1 de verilmiştir. Üyelik fonksiyonunda üyelik değerininn 1’e eşit olduğu tepe değeri her değişkene ait öznitelik deeğerlerinin ortalamas olarak alnmştr. Tasarlanan bulankk çkarm sistemi iki kurala sahiptir. K =1, 2,..., r Burada µCk, µAk, µBk srasyla k kural, x vee y girişleri için Z çkşnn üyelik fonksiyonlardr [18]. 1 If (kontrast is düşük) and (hom mogeneity is kh) and (enerji is ke) then (durum is var) Bulank değerlerden keskin değerlerin eldee edilme yöntemi olarak bilinir bu çalşmada da literatürde en e çok kullanlan alann ağrlk merkezi yöntemi kullanlmş, matematiksel bağnts eşitlik 10 ile verilmiştir.[18] ZC = ∫μ A ( Z ) Zdz SINIF (10) μ A ( Z )dz ZC, Z çkşnn keskin değeri, fonksiyonudur. 2. If (enerji is se) then (durum iss yok) KİTLE İSTATİSTİK Koontrast Minimum 0,00037 Ortalama 0,00490 Maksimum Minimum NORMAL Ortalama Maksimum µA(Z)) , çkş üyelik 4. Tasarlanan Bulank Çkarm Siistemi 0,33199 0,00331 0,22189 0,33603 Homojenlik Enerji 0,8401 0,1722 0,9982 0.8200 0,9755 0,8382 0,8912 0,9835 0,9927 0,1758 0,3439 0,9355 Tablo 1 Öznitelik değişkenlerine ait istatistik değerler MIAS veri tabanndan elde edilen tümör (bening, maling) içeren görüntüler kitle ve tümör içermeyen görüntüler g normal olarak isimlendirilmiştir. Matlab Fuzzy Tooolbox kullanarak Mamdani tipi tasarladğmz sistemde giriş g değişkenleri GLCM matrisinden elde edilen kontrast, hom mojenlik ve enerji öznitelikleridir. Bu özniteliklere ait minimuum, maksimum ve ortalama değerler değişkenlere ait üyelik fonksiyonlarnn parametre değerleri olarak kullanlmak üzzere her snf için ayr ayr hesaplanmştr. Her iki snfa ait görüntülerden g elde edilen üç özniteliğe ait histogram daağlmlar Matlab ortamnda grafik olarak çkarlmştr. Bu graafikler snflara ait özniteliklerin hangi değer aralğnda olduğuu ve nasl dağldğ konusunda istatistiksel bilgi sağlamaktadr. Normal snfna ait enerji değişkeninin histogram şekil 1’’ de örnek olarak verilmiştir. Bu grafikte enerji değişkeninin 0,2 ile 0,5 değer band arasnda olanlarn saysnn artan, maksimuma m ulaşan ve azalan bir yapda (üçgen) olduğu görüllmektedir. Ayrca diğer değişkenlerinde histogramlar inceleendiğinde benzer Durum değişkeni çkş üyelik foonksiyonunu ifade etmektedir. Üyelik fonksiyonlar, giriş üyyelik fonksiyonlar ile ayn yapda olan triangulardr. Bu ikki üyelik fonksiyonu kitle olup olmadğna bağl olarak “vvar” ve “yok ” şeklinde isimlendirilmiştir. var değişkenii için [0 5], yok değişkeni için [5 10] değer aralğ çkşn saysal olarak mş saylardr. Tasarladğmz derecelendirilmesinde kullanlm bulank çkarm sisteminde duruum değişkeni 0 ile 5 arasnda değer alyorsa bu kitlenin varlğn, 5 ile 10 arasnda değer alrsa kitle tespit edilmediğini belirtir. Örnek olarak, MIAS veri tabannda kitle içerin Mdb0001 mamogram görüntüye ait kontrast, homojenlik, enerji özzniteliklerine ait elde edilen değerler srasyla : [0.0441 0.97779 0.9003] tasarlanan bulank çkarm sistemi girişine verilerek, çkş durum değişkeninin 3,14 değeri ürettiği şekil 2’de göörülmektedir. Bu değer 0 ile 5 arasnda olduğundan snflandrm ma kitle olarak yaplmştr. 40 15-18 Ekim 2015 Vogue Hotel Bodrum, Muğla Tıbbi Görüntüleme 1 1. Gün / 15 Ekim 2015, Perşembe detection and segmentation in mammographic images”,Medical Image Analysis, 14, 87-100, 2010 [5] Sampaio, B W Diniz, M E Silva, A C Paiva, A C Gattlass, M “Detection of masses in mammogram images using CNN, geostatistic functions and SVM”, Computers in Biology and Medicine, 41, 653-664, 2011 [6] Ren, J. “ANN vs. SVM: Which one performs better in classification of MCCs in mammogram imaging”,Knowledge-Based Systems, 26, 144-153, 2012 [7] Dramain, C.,Boyer, B., Canale, S., Balleyguir. C., Computed-aided diagnosis (CAD) in the detection of breast cancer, “European Journal of Radiology”,82,417-413,2013 [8]Vadivel, A.,Surendiran, B., A fuzzy rule-based approach for characterization of mammogram masses into BI-RADS shape categories, “Computers in Biology and Medicine”, 43,259-267, 2013 [9] Maitra, I. K. Nag, S. Bandyopadhyay, S .K. “Technique for preprocessing of digital mammogram”, Computer Methods and Programs in Biomedicine,107, 175-288, 2012 [10] Dhawan, A.P. Editor Akay,M., Medcal Image Analyss,Wiley,J & Sons,Inc Canada,2011 [11] Hoshyar, Azadeh N., Jumaily, A.,A.,Hosyar, Afsaneh N, The Beneficial Techniques in Preprocessing Step of Skin Cancer Detection System Comparing,” Procedia Computer Science” 42,25-31,2014 [12] Yuan, X.C., Wu, L.S.,Peng, O., An improved Otsu method using the weighted object variance fordefect detection, “Applied Surface Science”, 349, 472-484, 2015 [13] Mohameda, H. Mai S. Mabroukb, M. S. Sharawy,A.,”Computer aided detection system for microcalcifications in digital mammograms”, Computer Methods and Programs in Biomedicine,116,226-235,2014 [14] Raffei, A.F.M., Asmuni, H., Hassan, R., Othman, R.M., A low lighting or contrast ratio visible iris recognition using iso-contrast limited adaptive histogram equalization, “Knowledge-Based Systems”, 74,40-48,2015 [15] Göreke, V.,Uzunhisarckl, E.,Güven, A., Gri Seviyeli Eş-oluşum Matrisleri Kullanlarak Saysal Mamogram Görüntüsünden Doku Özniteliklerinin Çkarlmas ve Yapay Sinir Ağ ile Kitle Tespiti, “Tp Teknolojileri Ulusal Kongresi-TpTekno’14”,2014 [16] Alavi, N., Quality determination of Mozafati dates using Mamdani fuzzy inference system, “Journal of the Saudi Society of Agricultural Sciences”, 12,137-142, 2013 [17] Kisi, Ö., Applicability of Mamdani and Sugeno fuzzy genetic approaches for modeling reference evapotranspiration, “Journal of Hydrology”, 504, 160-170, 2013 [18] Rezaei, M., Asadizadeh, M., Majdi, A., Hossaini, M.F., Prediction of representative deformation modulus of longwall panel roof rock strata using Mamdani fuzzy system, “International Journal of Mining Science and Technology”, 25, 23-30,2015 [19] Islam, M. J Ahmedi, M. Ahmed, M. A. S. “An EffcentAutomatcMassClassfcatonMethodInDgtzedMa mmogra msUsngArtfcalNeural Network”, International Journal of ArtificialIntelligence& Applications (IJAIA), 1, 113, 2010 Şekil 2 Çkş durum değişkeninin değeri 4.1 Sistemin başarm için kullanlan test yöntemi Gerçekleştirilen teste ait başarm ölçümü sistemin duyarllğ ve özgüllüğü hesaplanarak yaplabilir. Duyarllk ve özgüllük srasyla eşitlik 11 ile matematiksel olarak tanmlanr [19]. Eşitliklerde, TP: Gerçekte kitle, tespit kitle FN: Gerçekte kitle, tespit kitle değil FP: Gerçekte kitle değil, tespit kitle TN: Gerçekte kitle değil, tespit kitle değil Duyarllk = TP TN , Özgüllük = TP + FN TN + FP (11) Çalşmamzda kullanlan tüm görüntüler, tasarlanan bulank çkarm sistemi tarafndan tek tek test edilmiş ve elde edilen sonuçlara göre sisteme ait duyarllk, özgüllük hesab gerçekleştirilmiştir. Sonuç ve Yorum Ayn veri seti kullanlarak daha önce yapay sinir ağ kullanlarak yaptğmz çalşmada başarm değerleri yaklaşk olarak duyarllk için %96, özgüllük için %96 olarak bulunmuştur [15]. Tasarladğmz bulank çkarm sistemi ile bu değerler duyarllk için % 98, özgüllük için %99 olarak tespit edildi. Elde ettiğimiz bu sonuçlara bağl olarak mamogram görüntülerden kitle tespit amacyla geliştirilecek CAD sistemlerinde bulank çkarm sisteminin kullanlmas daha başarl sonuç verebilmektedir. Kaynakça [1] Dhahbi, S. , Barhoumi, W ,Zagrouba, E, “Breast cancer diagnosis in digitized mammograms using curvelet moments”, Computers in Biology and Medicine, 64, 79-90, 2015 [2] Agrawal, P. Vatsa, M.Singh, R. “Saliency based mass detection from screening mammograms” , Signal Processing, 99, 29–47, 2014 [3] Wei, C. H. Chenb, S. Y. Liub, X. “Mammogram retrieval on similar mass lesions”, Computer Methods and Programs in Biomedicine,106,234-248,2012 [4] Oliver, A. Freixenet, J. Marti, J Perez, E. Pont, J. Denton, E. Zwiggelaar R. “A review of automatic mass 41