Στη παρούσα διπλωματική εργασία έχοντας σα βάση το γεγονός ότι η μαστογραφία αποτελεί την καλύτερη τεχνική έγκαιρης ανίχνευσης του καρκίνου του μαστού και ότι το μέγιστο όφελος της μαστογραφίας βρίσκεται στην πρώιμη ανίχνευση του καρκινώματος στα αρχικά στάδιά του, ασχοληθήκαμε με την ανάλυση και εφαρμογή μεθόδων ψηφιακής επεξεργασίας εικόνας, που εφαρμόζονται στη μαστογραφία. Ορίσαμε και αναλύσαμε τους διάφορους αλγόριθμους ενίσχυσης εικόνας, που στηρίζονται στην ενίσχυση αντίθεσης μέσω: (α) αύξησης των διαβαθμίσεων του γκρι σε συγκεκριμένες υπό περιοχές (π.χ. μέθοδος παραθύρου, εξίσωση ιστογράμματος) (μέθοδοι ενίσχυσης αντίθεσης) (β) αύξησης των διαφορών διαβάθμισης του γκρι της εικόνας, που αντιστοιχούν στην ενίσχυση της παρυφής της εικόνας, που συνήθως παρέχεται από φίλτρα που υλοποιούν τελεστές παραγώγου εικόνας (μέθοδοι ενίσχυσης αιχμών). Οι τεχνικές ενίσχυσης εικόνας που χρησιμοποιήσαμε στα πλαίσια της παρούσας Διπλωματικής Εργασίας είναι η Μέθοδος παραθύρου (Intesity Windowing), η Εξισορρόπηση Ιστογράμματος με ψαλίδισμα (Clipped Adaptive Histogram Equalization) και η Καταστολή θορύβου-Ενίσχυσης παρυφής με μέθοδο μετασχηματισμού κυματίου (Wavelet). Πριν την εφαρμογή των μεθόδων ενίσχυσης εικόνας στις μαστογραφικές εικόνες ήταν αναγκαία η δημιουργία ψηφιακών συνθετικών εικόνων οι οποίες μιμούνται τα παθολογικά ευρήματα και μέσω αυτών εξάγουμε τις βέλτιστες παραμέτρους που θα χρησιμοποιηθούν στις μεθόδους ενίσχυσης εικόνας. Αυτό το πετύχαμε κάνοντας χρήση των ποσοτικών δεικτών αξιολόγησης ποιότητας εικόνας. Οι δείκτες αυτοί στηρίχτηκαν σε μετρήσεις θορύβου και αντίθεσης για συγκεκριμένη περιοχή ενδιαφέροντος μαστογραφικής εικόνας και είναι ο Δείκτης Βελτίωσης Αντίθεσης (Contrast improvement index-CII), ο Δείκτης Ενίσχυσης Θορύβου (Noise amplification index- NAI) και ο λόγος CII/NAI (Contrast to noise ratio index -CNRI). Στη συνέχεια κάνοντας χρήση των βέλτιστων παραμέτρων ενίσχυσης εικόνας που βρήκαμε μέσω των ποσοτικών δεικτών, ενισχύσαμε το δείγμα των 105 μαστογραφικών εικόνων (περιοχής ενδιαφέροντος) και με τη βοήθεια ακτινολόγου προχωρήσαμε στο πειραματικό στάδιο της Διπλωματικής Εργασίας αξιολογώντας τις μαστογραφικές εικόνες με βάση το σύστημα BIRADS του ACR. Τελευταίο βήμα της μελέτης μας αποτέλεσε η διαγνωστική ακρίβεια του ακτινολόγου βασιζόμενη στη ROC καμπύλη. Υπολογίσαμε το εμβαδό κάτω από την καμπύλη ROC για κάθε μέθοδο ενίσχυσης ξεχωριστά αλλά και για τις αρχικές μαστογραφικές εικόνες στις οποίες είχαμε τις εκτιμήσεις από δύο ακτινολόγους. / In the present postgraduate thesis, we studied the application of image enhancement methods in X-ray mammography, the best technique for detection of breast cancer in early stages. We defined and analyzed the various algorithms of mammographic image enhancement, which are based in contrast enhancement: (a) Increasing the differences in grey level values in specific regions (Intensity Windowing, Histogram Equalization), called contrast enhancement methods. (b) Increasing the gradation of the differences of grey level values of regions that correspond in edge enhancement, provided by filters such applying first or second order derivatives, called edge enhancement methods). Three image enhancement methods were used in the present study, Manual Intensity Windowing (MIW), the Contrast-Limited Adaptive Histogram Equalization (CLAHE) and a dual-stage (denoising and enhancement) Adaptive Wavelet-based Enhancement method (WAVELET). Before applying the three image enhancement methods in mammographic images (regions of interests, ROIs), it was necessary to determine the optimal values of parameters that will be used in image enhancement methods. Digital synthetic images simulating pathological findings, such as microcalcification clusters, were developed for the determination of optimal values of parameters for CLAHE and WAVELET of the image enhancement methods. This was achieved by using quantitative metrics for image quality evaluation. These metrics were based on measurements of noise and contrast for a specific ROI in mammographic images containing the simulated microcalcification clusters. These metrics are: Contrast Improvement Index (CII), Noise Amplification Index (NAI) and the Contrast-to-Noise Ratio Index (CNRI). For the two image enhancement methods (CLAHE and WAVELET) the optimal values of parameters were used, while for MIW a radiologist manually determined the values of parameters (centre and level of windowing) for enhancing the sample of 105 mammographic images (ROIs) containing microcalcification clusters. Evaluation of the three image enhancement methods was performed based on BI-RADS of ACR for patient management determined by one radiologist. Last step of our study was to estimate the diagnostic accuracy of radiologist based on ROC analysis. We calculate the area under ROC curve for each enhancement method, as well as for the initial mammographic images (original).