乳腺癌是女性中最常见的一种疾病。钙化点簇在乳腺X光图像中是一种比较明显的异常现象,钙化点簇的提取对于早期乳腺癌的检测是一种非常有效的手段。Surrounding Region Dependence Method(SRDM)是一种基于纹理统计分析的钙化点感兴趣区域检测方法。受到SRDM方法的启发,我们提出了基于灰度和一些其他特征来更有效预测阳性或者阴性乳腺钙化点区域的方法。通过构筑一组人工的只含有钙化点簇图像,我们可以大致定位在SRDM矩阵中可疑钙化点像素对应的元素反映射回乳腺图像中的位置。提取这些可疑钙化点像素的灰度等相关特征,利用随机森林分类器对不平衡的数据样本进行分类。真阳性和真阴性率反应了结果的优劣。当设定阈值为10时,真阳性率达到90%并且真阴性率达到了88.8%。不同方法ROC(Receiver Operating Characteristic)曲线之间的对比和该方法AUC(Area Under the ROC Curve)值达到了0.9224。实验结果表明了方法有效。该乳腺钙化点区域检测方法的提出能够有效地提高计算机辅助诊断乳腺癌的准确率。本文从以下几个方面进行了介绍:1.详细的描述SRDM方法的原理,从理论上分析了方法的可行性,对为何提出自己的方法做出了因果推理。2.详细介绍了自己提出的基于SRDM矩阵反映射的原理,根据反映射回的像素点提取了一系列的跟原始图像相关的特征,并对这些特征进行了解释,阐述了特征在理论上的有效性。3.根据自己实验数据样本不平衡这一特点,借鉴使用随机下采样方法配合随机森林分类器进行分类,进而通过统计分类的结果准确率来评判方法的优劣,包括原始方法,其他文献中的方法以及自己方法,所有对比的前提都是基于同一数据库。同绝大多数图像处理的流程相似,我们的处理流程包括图像预处理,乳腺区域定位,乳腺区域分成子图像,用我们的方法对子图像处理,特征提取和分类,结果统计。具体的流程介绍如下:乳腺X图像中通常包含标签,背景区域等干扰项,所以要先去标签,然后提取乳腺区域的边缘。将乳腺区域裁剪出来后再将裁剪出的图像进行分割,裁剪为128*128像素大小的子图像,并且这些图像之间有重叠,详细的情况后续章节有详细解释。利用SRDM方法对子图像进行处理,得到相应的矩阵后在分别用原始方法和自己的方法进行处理,即提取不同的特征,然后利用不平衡分类方法并采用随机森林分类器分类。最终会统计结果的正确率,做出比较。