基于超声图像的乳腺癌计算机辅助诊断关键技术研究

论文摘要

目前最常用的乳腺早期检查工具是乳腺X射线成像,但是X射线成像会导致较大数量的假阳性,从而导致不必要的活组织切片检查,同时运用X射线成像对高致密度乳腺检查会导致严重的漏诊现象。乳腺超声成像是乳腺X射线成像检查的必要补充,在诸如区分囊肿和实质肿瘤及检查致密性乳腺有着X射线成像无法比拟的作用。然而,阅读超声图像比较繁琐,需要丰富的临床实践经验,而且诊断结果往往会带有一定的主观性。因此,研制可靠的计算机辅助诊断系统对降低诊断的主观性、减少医疗浪费以及降低漏诊比率具有重要的意义。为了研究一个有效的乳腺超声图像计算机辅助诊断系统,论文在乳腺超声图像预处理、肿瘤轮廓提取、肿瘤特征提取与肿瘤分类以及医学超声图像无损压缩等方面开展了以下研究:为了减少散斑噪声、组织纹理对提取肿瘤轮廓的干扰,提出了一种基于最频值滤波的各向异性超声图像扩散算法。在该算法用于控制均值曲率运动演变速度（即用来控制图像平滑程度）的函数中内嵌一个最频值滤波器来消除计算图像梯度时散斑噪声的影响。因最频值滤波对去除散斑噪声比较有效、且具有增强边缘等特性,本文提出的扩散算法能在去除散斑噪声、简化图像结构的同时,很好地保持肿瘤边缘。图像去噪是图像处理领域重要课题,也是感兴趣区域提取和目标识别必要环节。本文提出了一种基于边缘置信度的自适应总体变分图像去噪模型。该模型根据图像中每点边缘置信度的大小自适应地确定该点所在区域平滑程度,使接近边缘的区域平滑程度较小,而远离边缘区域平滑程度较大。数学分析和实验证明,论文提出的变分去噪模型克服了传统的总体变分模型的欧拉-拉格朗日方程非适定问题,改善了传统总体变分模型去噪速度慢、有阶梯效应、噪声遗漏等缺陷。肿瘤的几何形状是重要的诊断信息,而其特征计算依赖于肿瘤的轮廓。本文提出了一种基于边缘和区域统计特征的几何变形模型轮廓自动提取方法。该方法首先根据肿瘤在超声图像中的特点,提取肿瘤的粗轮廓,作为后续轮廓提取算法的初始值;然后计算出轮廓上每点所在区域的纹理特征,并输入到已训练好的经改进的支持向量机中,得到这些纹理特征与最优分类超平面间的符号距离;同时我们引入一个映射函数,把这一符号距离映射到[0,1]内,来表征该点属于正常组织的可能性;最后结合该点的边缘置信度和曲率确定出该点的曲线演变速度,实现肿瘤轮廓的自动精确提取。该方法的曲线演变速度由边缘置信度和区域统计特征共同确定,有效地克服乳腺肿瘤图像边缘模糊的缺点,从而准确提取出乳腺肿瘤的轮廓。开展了乳腺超声图像肿瘤特征提取和分类的研究,并在此基础上构建了基于支持向量机的乳腺超声图像计算机辅助诊断系统。该诊断系统提取了分别属于纹理、肿瘤形态学、声波回声性以及肿瘤边缘锐度等34个典型特征作为肿瘤分类依据,采用基于交叉验证的栅格搜索方法确定了高斯核函数支持向量机分类器的参数,并利用精确度、灵敏性、特殊性、错误正比率、错误负比率以及ROC曲线等指标对构建的计算机辅助诊断系统做出评价。为满足远程辅助诊断图像传输的需要,针对医学超声图像边缘微弱的缺点,提出了基于最小二乘预测和最大可能数值Huffman编码（LS-MLMH）的医学超声图像无损压缩算法。该算法在对某一像素进行预测时,先用预存的系数对该像素进行预测,当预测值大于预先设定的阈值时,认为该点在边缘附近,将采用最小二乘对该像素重新预测,并更新预存的系数;当预测值小于阈值时,就认为该像素远离边缘,预存的系数适用于该像素。这种预测机制既利用最小二乘预测的边缘导向特性克服超声图像边缘微弱不利于预测的缺点,又在保证预测效果的前提下减少了计算量。为了进一步提高压缩性能,LS-MLMH采用最大可能数值的Huffman编码对预测残差图像进一步压缩。结果表明LS-MLMH压缩性能要优于无损JPEG、JPEG-LS和CALLIC等压缩方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源及背景
• 1.2 乳腺超声图像处理综述
• 1.2.1 乳腺超声图像去噪研究状况
• 1.2.2 乳腺超声图像肿瘤轮廓提取技术研究状况
• 1.2.3 医学超声图像无损压缩研究状况
• 1.3 乳腺超声图像肿瘤特征提取与分类研究现状
• 1.4 论文的主要内容及章节安排
• 第2章 医学超声成像系统和斑点噪声模型
• 2.1 医学超声成像基本原理
• 2.2 全数字医学超声成像系统
• 2.3 医学超声图像的噪声模型
• 2.3.1 动态压缩前斑点噪声的统计分布
• 2.3.2 动态压缩后斑点噪声的统计分布
• 2.4 本章小结
• 第3章 基于偏微分方程的乳腺超声图像预处理
• 3.1 引言
• 3.2 基于偏微分方程的图像平滑算法
• 3.2.1 基于热传导型偏微分方程的各向同性图像平滑
• 3.2.2 Alvarez 图像选择性平滑算法
• 3.3 基于最频值滤波的各向异性超声图像平滑算法
• 3.3.1 最频值滤波及其偏微分方程解释
• 3.3.2 最频值滤波的逼近方法——截尾中值滤波
• 3.3.3 基于最频值滤波的各向异性图像平滑算法实现及实验
• 3.4 基于边缘置信度的自适应总体变分图像去噪
• 3.4.1 基于边缘置信度的p 函数实现
• 3.4.2 基于边缘置信度的自适应总体变分数值实现与实验
• 3.5 本章小结
• 第4章 基于几何变形模型的乳腺肿瘤轮廓自动提取
• 4.1 引言
• 4.2 基于几何变形模型的感兴趣区域提取
• 4.2.1 曲线演变理论
• 4.2.2 图像分割的水平集方法
• 4.3 乳腺超声图像肿瘤轮廓粗提取
• 4.4 乳腺超声图像预处理
• 4.5 基于边缘和区域统计特征的水平集肿瘤轮廓提取
• 4.5.1 纹理特征的提取
• 4.5.2 基于纹理特征的肿瘤弱边缘防泄漏方法
• 4.6 BUI-GDM 实验与分析
• 4.7 本章小结
• 第5章 乳腺超声图像肿瘤特征提取与肿瘤分类
• 5.1 引言
• 5.2 乳腺超声图像肿瘤特征分析
• 5.3 乳腺超声图像肿瘤特征提取
• 5.3.1 肿瘤纹理特征提取
• 5.3.2 肿瘤几何特征提取
• 5.3.3 肿瘤后回声特性特征提取
• 5.3.4 肿瘤边缘锐度特征提取
• 5.4 基于SVM 的乳腺肿瘤分类
• 5.4.1 支持向量机基本理论
• 5.4.2 计算机辅助诊断系统参数确定
• 5.5 计算机辅助诊断系统实验分析和评估
• 5.6 本章小结
• 第6章 基于LS-MLMH 超声图像无损压缩
• 6.1 引言
• 6.2 基于最小二乘的图像自适应预测编码
• 6.2.1 常用无损压缩算法及其预测方法
• 6.2.2 基于最小二乘的预测编码方法
• 6.2.3 自适应预测方法转换机制
• 6.3 基于最大可能数值的Huffman 编码的熵编码
• 6.3.1 Huffman 编码
• 6.3.2 最大可能数值 Huffman 编码
• 6.4 基于 LS-MLMH 图像压缩实验
• 6.5 本章小结
• 结论
• 参考文献
• 攻读博士期间发表的学术论文
• 致谢
• 个人简历