论文部分内容阅读
近年来,乳腺癌的发病率越来越高,严重危害着女性的身心健康。计算机辅助检测系统能够辅助医生,提高病变区域检出率,从而降低乳腺癌患者的死亡率。肿块是乳腺癌的主要病症之一,其有效检测是计算机辅助诊断中非常重要的步骤。为此,通过学习肿块的病理特征,综合机器学习方法进行肿块检测,为医生标记出图像中的可疑区域,就能够在减轻医生压力的同时辅助医生更好的进行诊断。本文以灰度、LBP特征以及稀疏表示理论为基础,深入研究了乳腺图像中疑似病变区域的检测方法。主要工作概括如下:首先,提出了Pyramid-PCA灰度特征。针对肿块区域中心密度大,向边缘处密度逐渐减小的特点,设计了塔型特征表征表示方法,并对每层灰度特征进行不同维数的降维;由于Pyramid-PCA灰度特征的降维过程,损失了对原图描述的部分信息,因此提出多尺度LBP特征,提取不同尺度下的LBP算子并进行融合,有效描述了图像的全部信息,减少了原图信息的损失。其次,为精确标记肿块区域,提出了滑动窗融合算法。大大减少了第一次检测结果中的假阳性率,同时获得了疑似区域的大致方位,然后结合区域生长算法,将疑似区域更精确地提取出来,使得二次稀疏表示的检测结果更准确。最后,提出了二次稀疏表示的检测算法。通过二次稀疏表示进行病变区域检测,降低了第一次稀疏表示检测中的假阳性率,通过二次稀疏将不同的特征进行交叉检测,有效地降低了检测结果的假阳性率,同时能够更精确地标记出疑似肿块区域。实验结果表明,本文提出的基于稀疏表示的病变区域检测算法,能够更好地描述肿块区域的特性,在有效降低假阳性率的同时,保持较好的检测性能。