基于多分辨率图像锥的乳腺X光片肿块检测方法研究

论文摘要

乳腺癌是危害妇女健康的最常见的恶性疾病,而乳腺肿块是乳腺图像中表征乳腺病变的主要症状之一。钼靶X线摄影是目前临床上乳腺疾病检测的主要手段,但是,放射科医师需要分析大量的X光片,且肿块大多被埋没在复杂的,高密度的腺体背景中难以检出和识别,这使得仅用肉眼在复杂的钼靶X光片中查找不到千分之一的异常区域,是一件枯燥、费时而又极其困难的事。因此,利用数字图像处理技术来实现乳腺X光片的计算机辅助诊断,已成为近年来医学图像处理研究的热点。作为在这一领域的探索,本文实现了利用多分辨率图像锥检测肿块种子区域并通过生长算法,最终实现在原始乳腺X光片中肿块的定位和描述。主要研究内容如下:1.多分辨率图像锥是由多幅分辨率不同的图像组成的层次式的数据结构,这些分辨率不同的图像是通过某些数学运算得到的,各层图像的分辨率以2为因子递减,其生成方法主要有加权和分解两类。在对这两类生成图像锥的方法进行比对之后,最终选择基于小波理论的多分辨率分析法。2.人工神经网络是现代模式识别中一种比较实用的技术之一,其应用领域越来越广泛,本文在介绍了反向传播(Backward Propagation,简称:BP)神经网络的概念、特点的基础上,详述了在低分辨率图像中实现肿块种子区域检测的具体步骤。3.在低分辨率图像中检测到肿块种子区域后,根据像素的有关属性,由种子区域所在层的下一层图像开始,跟踪与种子区域属性一致的像素区域。在这个过程中,采用交叠式的连接规则和一种新的权值判别规则,使得生长算法不再严格受限于肿块种子的面积和形状,并最终完成原始图像上可疑区域(代替肿块区域)的最终定位和描述。4.为了降低假阳性率,我们提取图像的纹理特征以实现正常乳腺组织和肿块区域的分类。在基于灰度共生矩阵的统计特征中,我们考察角二阶矩、熵、对比度、逆差矩以及他们的统计量,并最终选取十二个特征和统计量作为神经网络分类器的输入。使用该方法对之前检测到的可疑区域进行分类,得到了假阳性分数为0.212时,真阳性分数达到了0.767的最终检测结果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 乳腺X 光片的计算机处理技术
• 1.2.1 计算机辅助诊断
• 1.2.2 国内外研究现状
• 1.3 本文所采用的方法及章节安排
• 第2章 多分辨率图像锥
• 2.1 多分辨率图像锥
• 2.1.1 多分辨率图像锥应用于乳腺肿块检测的依据与目的
• 2.1.2 多分辨率图像锥的生成方法
• 2.2 小波理论
• 2.2.1 小波
• 2.2.2 多分辨率分析
• 2.3 实验结果
• 2.4 本章小结
• 第3章 人工神经网络应用于低分辨率乳腺图像中肿块种子区域的检测
• 3.1 神经网络的特点
• 3.2 BP 神经网络
• 3.2.1 BP 算法模型
• 3.2.2 BP 神经网络设计要考虑的问题
• 3.2.3 选用BP 神经网络进行肿块种子区域检测的原因
• 3.3 人工神经网络实现低分辨率图像中乳腺肿块种子区域的检测
• 3.3.1 神经网络结构
• 3.3.2 训练样本的构成
• 3.3.3 提取特征值的依据
• 3.4 实验结果
• 3.5 本章小结
• 第4章 肿块种子区域的生长及边缘细化
• 4.1 区域生长
• 4.1.1 生长算法的基本步骤
• 4.1.2 权值判别规则
• 4.2 边缘检测
• 4.3 实验结果
• 4.4 本章小结
• 第5章 乳腺肿块与正常腺体组织的分类
• 5.1 图像的纹理
• 5.2 灰度共生矩阵
• 5.2.1 灰度共生矩阵的定义
• 5.2.2 灰度共生矩阵的特点
• 5.3 基于灰度共生矩阵的统计特征提取
• 5.4 可疑肿块区域纹理特征的实验结果
• 5.5 分类器的设计
• 5.6 分类器的测试结果
• 5.7 本章小结
• 结论
• 参考文献
• 附录1
• 攻读硕士学位期间发表的学术论文
• 致谢