论文部分内容阅读
相关统计数据表明,女性因为乳腺癌死亡的数目逐年攀升,这在很大程度上对女性的身体和心理都造成严重损害。如果能够较早的发现乳腺病变,并采取相应的医疗手段进行治疗,会大大降低乳腺癌死亡率。在实际临床应用中,乳腺钼靶X线成为乳腺癌早期普查中常用的检测手段。针对传统由放射科医生阅片的方式具体有主观性较强、误诊率高等缺点,计算机辅助诊断(Computer Aided Diagnosis,CAD)系统应运而生。计算机辅助诊断系统主要包括乳腺肿块检测和肿块良恶性诊断。CAD作为放射科医生的第二参考意见,为放射科医生提供客观有效信息,提高了乳腺癌诊断率并且降低了假阴性率。主要研究内容如下: (1)乳腺肿块自动检测。乳腺图像显示的乳腺密度与乳腺癌有重要联系,因此乳腺密度是预测乳腺癌风险的一个重要指标。本文采用基于子区域密度聚类的肿块分割及检测方法,将乳腺区域分割成若干互不重叠的子区域;对每个子区域块都提取基于局部的乳腺密度特征,建立基于子区域密度特征向量模型;之后利用无监督极限学习机(Unsupervised ELM,US-ELM)与融合空间信息模糊C均值聚类(Spatial Fuzzy C Means,SP-FCM)算法分别对特征向量进行降维和聚类,密度致密肿块区域被聚类为一类,不包含肿块的密度稀疏组织为离散的分布。最后,得到乳腺肿块分割以及检测结果。 (2)乳腺肿块良恶性诊断。针对乳腺肿块密度和周围正常组织相比不同这一特点,重点分析肿块密度特征在乳腺肿块良恶性诊断中的价值。除了提取BI-RADS标准中的肿块形态特征和纹理特征,还提取了7个全局密度特征,并建立特征向量模型。最后,采用极限学习机(Extreme Learning Machine,ELM)作为分类器,从数据库中选取含有肿块的钼靶X线图像进行乳腺肿块的良恶性诊断实验。结果显示,乳腺肿块的密度特征和其他特征相比,可以有效的区分肿块良恶性。 综上所述,采用局部密度特征聚类对乳腺肿块进行检测,之后对待诊断的乳腺肿块进行基于ELM的全局密度特征分析,并结合其他特征进行肿块良恶性诊断。重点研究了乳腺密度在计算机辅助乳腺肿块诊断和检测系统中发挥的重要作用。