学位论文 > 优秀研究生学位论文题录展示

基于乳腺X线图像的乳腺癌检测方法研究

作　者: 张胜君
导　师: 陈后金
学　校: 北京交通大学
专　业: 电路与系统
关键词: 图像处理乳腺癌检测乳腺X线图像多分辨率区域生长自适应核学习相关向量机毛刺相似度收敛指数
分类号: TP391.41
类　型: 博士论文
年　份: 2013年
下　载: 52次
引　用: 0次
阅　读: 论文下载

内容摘要

摘要：乳腺癌的早期检测和诊断是挽救患者生命的最有效途径。目前乳腺X线图像是乳腺癌检查最主要的影像方法,但是早期具有隐匿性的乳腺癌影像特征一般不够明显,受医生主观方面的影响,极易出现误诊和漏诊的情况。随着计算机技术的不断发展,乳腺癌计算机辅助检测已经成为医学图像处理领域的一项研究热点,有效的计算机辅助检测方法可以辅助医生更好的分析乳腺X线图像,从而提高乳腺癌诊断的准确率。微钙化点、肿块、结构扭曲是乳腺癌在X线图像上的主要表现,对这些病灶的检测是计算机辅助检测领域的一项研究难点。本文在前人研究基础上,通过结合机器学习、计算机视觉等领域的思想,构建乳腺癌的计算机辅助检测系统。本文取得的创新性研究成果总结如下：(1)深入研究了乳腺X线图像乳腺区域分割方法和预处理中图像去噪,实现了基于最佳阈值的乳腺区域分割方法和基于自适应中值滤波的乳腺X线图像平滑方法。最佳阈值分割方法通过计算最佳阈值,快速有效的剔除乳腺X线图像中的标签、背景,分割出乳腺区域,从而确定了后续处理过程的研究区域；自适应中值滤波方法在进行滤波处理时为滤波器提供负反馈,在滤除噪声的同时能较好的保留图像细节信息,为乳腺X线图像后续处理提供了前提条件。(2)针对乳腺X线图像微钙化点检测中微钙化点分割不够完整的问题,提出一种基于多分辨率区域生长和图像差值的微钙化点分割方法。通过改进传统区域生长的生长规则,在每一个目标区域得到一个最佳阈值,使每个目标区域均得到较好的分割效果,有效的保持了微钙化点的完整形状和分布信息,为后续的微钙化点检测提供了支持。(3)深入分析了相关向量机及其最新进展——自适应核学习相关向量机的理论及推导过程,利用自适应核学习相关向量机的核参数自动优化设置和模型更稀疏的特性,探索性地将其应用于乳腺X线图像中肿块的检测,提出了一种基于自适应核学习相关向量机的乳腺x线图像肿块检测方法。实验结果表明该方法较支持向量机、相关向量机方法具有更好的检测性能和鲁棒性。(4)针对乳腺X线图像结构扭曲检测假阳性率偏高的问题,提出了一种新的乳腺x线图像结构扭曲检测方法——相似度收敛指数(Similarity Convergence Index,SCI)方法。首先利用马氏距离比计算出毛刺的相似度,然后通过计算相似度加权的收敛指数增强放射状毛刺,最后提取出收敛指数的局部最大值作为候选点,并对这些候选点进行分类,检测出结构扭曲。实验结果表明该方法可有效的减弱非毛刺结构对检测的影响,大幅度降低结构扭曲检测的假阳性率,同时对于不同类型的乳腺X线图像具有较强的鲁棒性。

全文目录

致谢  5-6
中文摘要  6-8
ABSTRACT  8-13
1 绪论  13-31
  1.1 引言  13-14
  1.2 研究背景及意义  14-20
    1.2.1 乳腺癌及早期检查  14-15
    1.2.2 乳腺癌的影像学诊断  15-17
    1.2.3 计算机辅助检测和诊断  17-20
  1.3 钼靶X线摄影基础知识  20-22
    1.3.1 乳腺钼靶X线摄影  20-21
    1.3.2 乳腺癌的X线表现  21-22
  1.4 国内外研究现状  22-27
    1.4.1 微钙化点检测研究现状  22-23
    1.4.2 肿块检测研究现状  23-26
    1.4.3 结构扭曲检测研究现状  26-27
  1.5 论文研究内容、主要贡献及创新  27-29
  1.6 论文结构  29-31
2 乳腺癌辅助检测系统研究  31-39
  2.1 系统的总体结构  31-32
  2.2 主要模块的处理流程  32-33
  2.3 实验数据的来源  33-34
  2.4 系统性能的评价方法  34-37
  2.5 本章小结  37-39
3 基于多分辨率区域生长和图像差值的微钙化点检测  39-61
  3.1 引言  39
  3.2 乳腺区域分割  39-42
    3.2.1 乳腺X线图像的构成  39-40
    3.2.2 乳腺区域的分割  40-42
  3.3 预处理  42-49
    3.3.1 图像平滑去噪  42-46
    3.3.2 图像增强  46-49
  3.4 差值分割  49-50
  3.5 基于多分辨率区域生长和图像差值的微钙化点分割  50-55
    3.5.1 经典区域生长  50-53
      3.5.1.1 区域生长类型  51-52
      3.5.1.2 区域生长规则及过程  52-53
    3.5.2 多分辨率区域生长  53-55
    3.5.3 微钙化点分割方法  55
  3.6 实验结果与分析  55-59
  3.7 本章小节  59-61
4 基于自适应核学习相关向量机的肿块检测  61-93
  4.1 引言  61-62
  4.2 乳腺肿块检测的基本原理  62
  4.3 机器学习方法  62-64
    4.3.1 分类问题原理概述  62-63
    4.3.2 支持向量机  63-64
  4.4 相关向量机  64-70
    4.4.1 RVM理论  64-68
    4.4.2 RVM分类  68-69
    4.4.3 RVM核函数  69-70
  4.5 自适应核学习相关向量机  70-76
    4.5.1 aRVM回归  70-76
    4.5.2 aRVM分类  76
  4.6 基于自适应核学习相关向量机的肿块检测  76-86
    4.6.1 肿块检测算法  76-77
    4.6.2 图像预处理  77
    4.6.3 特征提取  77-84
      4.6.3.1 纹理特征  79-82
      4.6.3.2 灰度特征  82-84
    4.6.4 训练参数设置  84-85
    4.6.5 检测算法实现  85-86
  4.7 实验结果与分析  86-91
    4.7.1 实验数据与配置  86
    4.7.2 aRVM训练设置  86-89
    4.7.3 检测结果与分析  89-91
  4.8 本章小节  91-93
5 基于毛刺相似度收敛指数的结构扭曲检测  93-115
  5.1 引言  93-94
  5.2 总体算法与预处理  94-95
    5.2.1 总体算法  94
    5.2.2 图像预处理  94-95
  5.3 线结构的增强  95-100
    5.3.1 Radon变换  95-97
    5.3.2 Gabor滤波  97-100
  5.4 候选点的提取  100-104
    5.4.1 收敛指数  100-101
    5.4.2 相似度收敛指数  101-103
    5.4.3 计算候选点  103-104
  5.5 候选点的分类  104-106
    5.5.1 特征选取  104-106
    5.5.2 分类算法  106
  5.6 实验结果与分析  106-112
    5.6.1 实验数据与配置  106-107
    5.6.2 检测结果  107-108
    5.6.3 性能分析  108-112
  5.7 本章小节  112-115
6 结论  115-119
  6.1 总结  115-116
  6.2 展望  116-119
参考文献  119-125
索引  125-129
作者简历  129-133
学位论文数据集  133

基于乳腺X线图像的乳腺癌检测方法研究

内容摘要

全文目录

相似论文