基于X線圖像的乳腺腫塊檢測(cè)與分類(lèi)方法研究.pdf

1、乳腺癌是一種女性中常見(jiàn)的惡性腫瘤，早期診斷是治愈該病的最有效手段。在乳腺癌早期診斷的諸多方法之中，乳腺X線攝影術(shù)被公認(rèn)為最可靠、最便捷的方法，然而早期的乳腺癌影像學(xué)特征一般不夠明顯，且易受醫(yī)師主觀影響，以至于假陰性與假陽(yáng)性情況時(shí)有出現(xiàn)。基于乳腺X線圖像的乳腺癌計(jì)算機(jī)輔助診斷系統(tǒng)可以有效輔助放射科專(zhuān)業(yè)醫(yī)師提高乳腺癌診斷的精度、效率和一致性?，F(xiàn)有的乳腺癌診斷方法性能還達(dá)不到專(zhuān)業(yè)醫(yī)師的認(rèn)可要求，還有非常大的提升空間。本文以提高基于乳腺X線圖像

2、的乳腺癌診斷方法性能為目標(biāo)，針對(duì)乳腺X線圖像中的腫塊檢測(cè)與診斷方法進(jìn)行深入研究，開(kāi)展的主要?jiǎng)?chuàng)新性研究工作以及獲得的貢獻(xiàn)總結(jié)如下:
　　1.針對(duì)現(xiàn)有腫塊檢測(cè)方法檢測(cè)速度較慢的問(wèn)題，提出了一種基于乳房腫塊攝影特點(diǎn)的乳腺X線腫塊建模方法，利用該模型定義的腫塊內(nèi)部點(diǎn)特征能夠快速定位腫塊。在此基礎(chǔ)上，結(jié)合相應(yīng)的聚類(lèi)算法最終獲得完整的腫塊區(qū)域。
　　2.針對(duì)現(xiàn)有腫塊分層檢測(cè)算法的不足，提出了一種基于簡(jiǎn)化型標(biāo)記脈沖耦合神經(jīng)網(wǎng)絡(luò)（Marke

3、r Simplified Pulse Coupled Neural Network，Marker-SPCNN）模型的乳腺X線腫塊分層檢測(cè)方法，在保證較低假陽(yáng)性率的前提下，有效地改進(jìn)檢測(cè)靈敏度。
　　3.為了精確分割腫塊，提出了一種基于SPCNN與改進(jìn)型矢量Chan-Vese(CV)模型的乳腺X線腫塊分割方法，較現(xiàn)有方法更適合于東方女性乳腺X線圖像對(duì)比度較低的特點(diǎn)。
　　4.提出了一個(gè)新的基于形態(tài)學(xué)骨架分歧點(diǎn)的形狀特征，用以增

4、強(qiáng)腫塊形狀描述。此外，提出了一種結(jié)合非下采樣小波變換(Undecimated Wavelet Transform,UWT)與灰度共生特征（Gray Level Co-occurrence Matrix，GLCM）的腫塊區(qū)域紋理特征提取方法。實(shí)驗(yàn)結(jié)果表明本文所提取特征在區(qū)別腫塊良惡性方面表現(xiàn)出顯著優(yōu)勢(shì)。
　　5.為了進(jìn)一步提高腫塊分類(lèi)的性能，提出了一種基于特征加權(quán)支持向量機(jī)（Feature Weighted Support Vect

5、or Machine，F(xiàn)WSVM）的乳腺X線腫塊分類(lèi)方法。在詳細(xì)的腫塊特征分析基礎(chǔ)上，提出了影響特征權(quán)值設(shè)定的內(nèi)外部因素假設(shè)，從而合理分配FWSVM中的各特征權(quán)值，實(shí)驗(yàn)結(jié)果表明該方法分類(lèi)性能優(yōu)于現(xiàn)有方法。
　　本文研究屬于信息學(xué)與醫(yī)學(xué)交叉學(xué)科的范疇，研究成果解決了乳腺癌腫塊計(jì)算機(jī)輔助診斷系統(tǒng)中存在的一些關(guān)鍵問(wèn)題，實(shí)現(xiàn)了乳腺X線圖像處理過(guò)程中的一些定性與定量分析，相應(yīng)的提高了乳腺癌診斷精度與效率，滿(mǎn)足乳腺放射科工作者的迫切需求，尤其