基于機器學習的微鈣化簇檢測算法研究.pdf

1、乳腺X線圖像中的微鈣化簇是早期乳腺癌的一個重要征象，這使得盡早檢測微鈣化簇并判斷其是否有惡化傾向成為實現(xiàn)乳腺癌早期診斷的關(guān)鍵技術(shù)之一。然而，乳腺X線圖像中只有3％的信息能為人眼所見，大量的信息是人眼不可辨識的，即便是經(jīng)驗豐富的臨床醫(yī)生也很難及時發(fā)現(xiàn)其中表征早期乳腺癌的微小鈣化點，以致延誤病人的最佳治療時機。為了能夠有效地檢測出早期乳腺癌的隱匿性病征，更好地輔助醫(yī)生發(fā)現(xiàn)早期乳腺癌，本文采用多分辨分析、子空間學習以及集成學習等機器學習領(lǐng)域最

2、新的理論成果，針對女性的乳腺X線圖像中微鈣化簇增強和病灶檢測問題進行了深入系統(tǒng)的研究，為早期乳腺癌的計算機輔助檢測和診斷奠定了基礎(chǔ)。論文取得了以下主要研究成果：
　　 (1)乳腺區(qū)域結(jié)構(gòu)復雜，要在乳腺X線圖像中挑選能夠完全囊括復雜區(qū)域特征的具有代表性的樣本很難實現(xiàn)。為了解決該問題，本文提出了一種基于主動學習的微鈣化簇區(qū)域檢測新算法。首先利用方向差分濾波器組對微鈣化區(qū)域進行增強和特征提取，同時抑制高亮血管和導管等復雜區(qū)域的干擾；然

3、后利用基于Bootstrap主動學習方法進行樣本的選擇以提高分類器的性能；最后在乳腺X線圖像中檢測鈣化簇區(qū)域。實驗結(jié)果表明，該算法在保證較高檢出率的同時有效地降低了假陽性率。
　　 (2)為了提高微鈣化簇檢測器的泛化能力和運行效率，本文提出了一種基于子空間學習和雙支持向量機(Twin Support Vector Machine，TWSVM)的微鈣化簇檢測新框架。該框架首先采用簡單的偽影去除濾波器和高通濾波器來增強鈣化點簇；然后

4、將子空間學習算法嵌入到該框架中對待處理的圖像塊進行子空間特征提取；最后在特征子空間用TWSVM進行微鈣化簇區(qū)域的檢測。實驗結(jié)果表明，該微鈣化簇檢測算法的泛化能力和處理速度得到了顯著提升。
　　 (3)為了充分利用圖像中的空間結(jié)構(gòu)信息，本文將基于向量的雙支持向量機學習算法擴展到能夠處理張量數(shù)據(jù)的雙支持張量機(Twin Support Tensor Machine，TWSTM)，并使之成功應(yīng)用到微鈣化簇的檢測中。實驗結(jié)果表明該算法檢

5、測性能優(yōu)于TWSVM，并且能很好的處理小樣本問題。
　　 (4)為了將多個微鈣化簇檢測算法進行集成以獲得比單個檢測器更好的檢測能力，本文設(shè)計了一種新的集成學習方法——Bracing，并將之應(yīng)用到乳腺X線圖像的微鈣化簇檢測。該算法將主動相關(guān)反饋嵌入到基學習器訓練中以提升其泛化能力；并根據(jù)反饋的結(jié)果動態(tài)更新基學習器的權(quán)重。實驗結(jié)果表明，Bracing算法提高了集成分類器的泛化能力，且在一定程度上避免了過擬合現(xiàn)象。
　　 (5

6、)由于子空間學習算法對訓練數(shù)據(jù)中的噪聲較為敏感，本文設(shè)計了一種基于混合多子空間選擇性集成的方法，并將其應(yīng)用到乳腺的鈣化點簇檢測。該方法根據(jù)子空間學習算法保留分類信息的能力，有選擇地對其進行集成。實驗結(jié)果表明該方法提高了微鈣化簇檢測算法的性能和穩(wěn)定性，能更好地適應(yīng)噪聲環(huán)境。
　　 綜上，為了能夠有效地檢測出早期乳腺癌的隱匿性病征，更好地輔助醫(yī)生發(fā)現(xiàn)早期乳腺癌，本文將機器學習方法在微鈣化簇檢測方面的應(yīng)用進行了深入的研究和進一步的發(fā)展