超声图像乳腺肿瘤自动检测及良恶性判别

论文摘要

超声成像技术是目前最常用的乳腺肿瘤早期检查手段之一。超声检查因可实时成像、价格相对低廉、使用便捷且无创,在临床影像诊断中具有重大意义。高性能的计算机辅助诊断(Computer Aided Diaganosis, CAD)系统,可以进一步提高乳腺肿瘤检测的准确性,为医生提供有效的临床诊断参考意见。然而,考虑到乳腺肿瘤超声图像存在严重的斑点噪声、伪影、图像对比度低、肿瘤可能的形状复杂多变等特点,肿瘤区域的全自动检测及病灶的良恶性分类尚较为困难。本论文的研究目标,是开发一种新的、高效的计算机辅助诊断方法,在无需人工干预的前提下,实现乳腺肿瘤超声图像中感兴趣区域的自动检测、肿瘤边缘提取以及良恶性分类。第一部分,基于纹理特征对像素点进行分类,可以自动鉴别感兴趣区域(Region of Interest, ROI)。首先,将去除斑点噪声后的乳腺肿瘤超声图像分成不重叠的子块,对每个子块分别计算其局部纹理特征、局部灰度共生矩阵特征以及位置特征,并综合以上特征来描述各子块。其次,对提取出的特征进行特征筛选,以选出的特征集作为自组织映射神经网络分类器的输入向量,则可区分原超声图像中的候选ROI区域和背景区域。最后,基于超声图像中乳腺肿瘤的尺寸、位置分布等特点,去除拥有相似纹理特征的伪ROI区域的影响,则可得到最终的ROI自动检测结果。本论文方法可自动识别用于后续边缘分割的ROI,避免了医生手工框取的工作量。第二部分,提出了一种带权重邻域灰度信息的Normalized Cut (Ncut)方法,全自动提取乳腺超声图像的肿瘤边缘。首先,采用Ncut方法将乳腺超声图像分块,并基于各块灰度及空间分布特征识别出待检测肿瘤轮廓。其次,对少数分割不精确的结果(如：灰度泄露),选用结合局部能量项的动态轮廓模型对Ncut提取的初始边缘进行修正,使其更接近真实目标轮廓。与传统的边缘提取算法相比,本论文方法计算量小,可在无需任何人工干预(如：人工初始轮廓)的情况下,准确高效地实现肿瘤自动分割,因而有望进一步提高计算机辅助诊断的自动化程度。第三部分,通过分析良恶性肿瘤在超声图像中表现出的区别,结合医生临床经验提取了一组不依赖采集系统、鲁棒性高、识别能力强的特征来描述各肿瘤,此处共采集了三个纹理特征和五个形态学特征。在此基础上,本论文引入了高效的Affinity Propagation (AP)聚类方法,作为肿瘤良恶性判别的分类器,经验证该方法可在无需训练过程的前提下,实现对已有数据库中肿瘤良恶性的准确判别。此外,本论文还分析比较了AP聚类方法和传统的神经网络工具(如：反向传播人工神经网络、Fisher线性判别、支持向量机)的泛化能力,以验证各种分类方法的性能。采用基于以上三部分内容搭建的计算机辅助乳腺肿瘤诊断系统,对临床采集的132例乳腺肿瘤超声图像(其中良性67例、恶性65例)进行测试,并将本论文方法性能分别与传统的水平集边缘分割算法、个体人工神经网络分类器等进行比较。实验结果表明,本论文提出的系统对超声图像中乳腺肿瘤的检测和良恶性判别具有较高的准确性,同时计算量低、无需训练过程、自动化程度高。因而,该系统有望为医师的临床诊断提供有价值的参考意见。

论文目录

• 目录
• 摘要
• abstract
• 第一章 绪论
• 1.1 引言
• 1.2 乳腺超声图像的特点及诊断基础
• 1.3 国内外研究现状
• 1.4 本论文主要工作和创新点
• 1.5 本论文采用的数据库及实验条件
• 第二章 乳腺肿瘤感兴趣区域的自动检测
• 2.1 引言
• 2.2 感兴趣区域自动检测
• 2.2.1 图像预处理
• 2.2.2 特征提取
• 2.2.2.1 局部基本纹理特征
• 2.2.2.2 局部灰度共生矩阵纹理特征
• 2.2.2.3 位置特征
• 2.2.2.4 特征选择
• 2.2.3 基于特征分类的ROI提取
• 2.2.4 ROI选择
• 2.3 实验结果及讨论
• 2.4 本章小结
• 第三章 乳腺肿瘤边缘的全自动分割
• 3.1 引言
• 3.2 传统分割方法
• 3.2.1 传统变分水平集算法法和Chan.Vese（CV）分割模型
• 3.2.2 加入局部能量函数的水平集算法
• 3.3 改进的Normalized Cut法自动提取边缘
• 3.3.1 相干斑抑制备向异性扩散
• 3.3.2 带权重邻域灰度信息的Normalized Cut自动分割
• 3.3.3 边缘局部调整
• 3.4 实验结果及讨论
• 3.4.1 分割准确性
• 3.4.2 分割效率
• 3.5 本章小结
• 第四章 乳腺肿瘤良恶性判别的研究
• 4.1 引言
• 4.2 乳腺肿瘤的特征提取
• 4.2.1 纹理特征提取
• 4.2.2 形态学特征提取
• 4.3 传统的良恶性判别方法
• 4.3.1 反向传播人工神经网络
• 4.3.2 Fisher线性判别
• 4.3.3 支持向量机
• 4.4 基于Affinity Propagation的良恶性判别
• 4.5 实验结果与讨论
• 4.5.1 不同分类器良恶性分类结果
• 4.5.2 不同分类器泛化性能讨论
• 4.5.3 基于接受者操作特性曲线的分析
• 4.6 本章小结
• 第五章 总结和展望
• 参考文献
• 附录:硕士期间发表论文
• 致谢