乳腺癌是女性最常见的恶性肿瘤之一,已跃居女性恶性肿瘤的首位,其发病率呈逐年上升趋势,且趋向年轻化,严重影响女性的身心健康。早期确诊是降低乳腺癌死亡率的关键。为此,本课题针对钙化点具有非常微小、大小不一、形状各异、可疑病变区域与其周围组织之间的灰度值之差较小、部分组织易被误认为是钙化点等特点,采用一种综合多种技术的检测方法。主要包括可疑钙化区域定位、基于活动轮模型的分割、可能性模糊C-均值聚类和加权支持向量机等。本文采用的检测算法分两个阶段:训练阶段和测试阶段。训练阶段包括可疑钙化区域定位、基于水平集分割的钙化分割、可疑区域的特征提取、基于互信息的特征选择、对特征进行可能性模糊C-均值聚类并计算样本权重以及用加权非线性支持向量机训练样本得到训练模型。测试阶段包括钙化分割、特征提取、钙化点分类以及钙化簇的检测。针对从影像中难以准确分割出完整钙化点的问题,本文提出结合边缘点搜索和水平集分割方法的钙化分割方法。针对部分乳腺组织的表现似钙化点,容易被当作钙化点分割出来,由此带来大量的假阳性钙化点的问题,本文提出了使用可能性模糊C-均值聚类结果中的概率值和典型性值综合得出样本权重,之后使用加权支持向量机进行钙化点分类,从而更精确的区分了钙化点和疑似钙化点。本文采用的钙化点检测方法在410幅全视野乳腺数字影像中进行测试。初步结果显示,该检测方法用于乳腺X线影像中钙化点检测是可行的,能分割出完整的钙化点,减少假阳性钙化点数,达到预期的效果。