乳腺计算机辅助诊断（CAD）肿块检测的实现及优化

论文摘要

乳癌是当今危害妇女生命健康的重要杀手之一。我国乳腺癌发病率也呈逐年升高的趋势,已占当地女性恶性肿瘤首位。因此,有大量的患者进行了乳腺DR摄影来排查疾病。而这些拍摄结果都要由医生来逐一审阅,造成了阅片医生的工作量大幅上升,加大及时准确发现病变区域难度。在这种情况下,计算机辅助诊断(CAD)的引入,由计算机对有明显特征或典型病灶进行预审,筛除掉阴性区域,使医生可以专注于较疑难的病灶的排查,或对自动检测结果进行评估,这样在一定程度上降低了医生的工作强度,提高了阅片的质量和效率。本文主要根据乳腺病灶的特点,通过归纳、总结和实验的方法,使用MATLAB仿真工具,实现和优化乳腺CAD算法。在实现过程中,肿块的检测过程主要包括以下阶段:MG图像预处理、图像处理(压缩、感兴趣区域提取)、病灶区域分离。在图像处理与病灶区域分离阶段之间,加入了支持向量机(SVM)机制,该机制允许通过反复的训练,来提高分类的准确性,从而在病灶分离过程中提高假阳性区域的筛除能力。其中主要分析乳腺病灶特点,使用直方图、大津法、支持向量机(SVM)等经典算法,通过对这些算法属性和特点的分析,对其中的参数,算法结构等进行调整,经过实验,可以完成对乳腺病灶的分类提取。为了提高检测效率以及准确性,对关键技术以及其在CAD检测过程中起到的作用进行详细介绍和对比讨论,并通过实验得出的结果,来分析优化效果,最终得到其中大部分问题的解决办法,实现了优化目的,首先,针对压缩前分割阈值的确定问题,使用大津法进行处理,并配合并行处理方式来提高提取速度;针对检测样品病灶属性多,传统算法不宜判断的情况,使用支持向量机算法SVM来对压缩和降噪后的样本进行病灶筛选,从而得到病灶的提取结果,同时,通过对算法的反复训练,可以有效的提高CAD检测算法的准确性。

论文目录

• 摘要
• ABSTRACT
• 引言
• 0.1 课题研究的背景及意义
• 0.2 国内外研究现状
• 0.3 本文主要内容
• 第1章 乳腺 DR（MG）图像的特点及诊断依据
• 1.1 乳腺 X 线图像的生成过程
• 1.1.1 乳腺X 线机的组成
• 1.1.2 乳腺X 线成像过程
• 1.2 乳腺图像的特点
• 1.3 病灶在图像中的表现特征及诊断依据
• 1.4 本章小结
• 第2章 乳腺 CAD 肿块检测的流程与关键技术
• 2.1 研究中使用的工具及总体流程
• 2.1.1 研究中使用的工具
• 2.1.2 设计总体流程
• 2.2 关键技术介绍
• 2.2.1 大津法的原理
• 2.2.2 并行计算简介
• 2.2.3 MATLAB Parallel Computing Toolbox 介绍
• 2.2.4 SVM 算法的介绍
• 2.2.5 核函数的特点及选择
• 2.3 本章小结
• 第3章 乳腺 CAD 肿块检测算法的实现
• 3.1 乳腺 DR 图像（MG）图像的预处理
• 3.1.1 乳腺DR 图像的选取
• 3.1.2 MG 图像的预处理
• 3.2 参考阈值确定及图像压缩
• 3.3 使用直方图算法对图像进行分割及感兴趣区域提取
• 3.4 图像平滑降噪处理
• 3.5 使用支持向量机（SVM）算法提取阳性肿块
• 3.6 小结
• 第4章 乳腺 CAD 肿块检测关键技术算法的优化
• 4.1 图像分割过程中大津法的应用
• 4.1.1 不同大津法的选择
• 4.1.2 使用不同大津算法效果对比
• 4.2 MATLAB 并行处理在算法实现中的应用
• 4.2.1 并行处理在实现过程中的具体应用
• 4.2.2 使用并行处理前后效果对比
• 4.3 SVM 算法的应用
• 4.4 小结
• 第5章 研究过程中遇到的问题
• 5.1 训练样品数量不足
• 5.2 医学影像知识有限，只能使用现有资源
• 5.3 无法使用并行计算方式确定 MLO 体位图像的分割阈值
• 5.4 小结
• 第6章 总结与展望
• 6.1 工作总结
• 6.2 前景展望
• 致谢
• 参考文献