随着医学的发展,人们对肿瘤等恶性疾病早期诊断的要求越来越迫切。例如,在乳腺肿瘤的研究中,发现借助计算机辅助诊断(computer aided diagnosis,CAD)可以大大提高早期诊断率,从而为患者的预防和治疗争取时间,有效降低发病率和死亡率。因此,以模式识别为核心的CAD软件系统正在广泛进入医学影像诊断领域,辅助诊断医师做出更准确、及时地定性诊断。 在CAD这一复杂的算法系统中,对影像异常密度区域(病灶)进行准确、有效的分割,是最为关键的一个环节,其分割结果直接影响CAD的最终诊断结论,分割的准确率和检出率左右着CAD诊断的真阳性概率(true positive fraction,TPF)和假阳性概率(false positive fraction,FPF)。现有的CAD系统中,分割算法多种多样,但大多以像素级的算法为主。如:阈值算法、区域增长、膨胀等。这些算法有较高的敏感度,但往往受噪声和正常的结缔组织影响,假阳性检出率也高。本文基于这些问题,提出采用像素和区域分割结合的两步分割法,结合边缘检测算子和snake动态轮廓模型ACM(active contour model,ACM),针对乳腺影像病灶进行分割尝试,将边缘算子获得的边界点作为动态轮廓模型的初始轮廓,进行梯度向量场(gradient vector flow,GVF)作为外力作用的能量最小化,获得的轮廓作为最终轮廓。以期得到较高敏感度,同时降低假阳性检出率,降低对噪声和正常组织的假分割;使病灶分割轮廓更贴近实际病灶边缘,获得准确的病灶信息。 目前对CAD的研究中,多数将评测放在对最后诊断结果的分析上;而在分割阶段,没有统一的分割评测方法。这使得分割方法无法准确定量评定,各种方法间也不能横向比较。针对这一问题,本文按照临床诊断将人工分割作为“金标准”的原则,以诊断专家对影像病灶区的轮廓界定作为病灶真实边缘。将边缘检测算子分割、区域增长分割方法、结合边缘算子和snake动态轮廓模型的两步分割法对同一数字乳腺影像库进行实际分割,对分割结果进行真阳性检出率、假阳性检出率、漏分割率及与人工分割重叠面积的计算,来对三种自动算法进行横向比较。结果证实两步分割算法真阳性检出效率高、与人工分割重叠面积大,分割效果好于边缘检测算子和区域增长两种分割方法。 同时,本文尝试将医学影像学中的体模和受试者操作特性解析(receiver operating characteristic analysis,ROC)评测方法引入对分割算法的评价里。由观察者对原始体模影像和带有分割轮廓体模影像进行五值ROC试读,记录并分析数据结果,得到分割