论文部分内容阅读
乳腺癌已成为全球范围内影响女性健康的第一大祸根,高居女性恶性肿瘤发病率的首位。乳腺癌筛查项目的推广可使乳腺癌年死亡率下降40%左右。超声检查具有无损、实时、价格低廉等特点,已成为乳腺癌早期检查和诊断的首选方法。随着乳腺超声筛查的推广,当大量或海量病例数据和信息汇聚时,仅靠有经验的医生人工分析及判断,效率低且工作量巨大,容易造成漏诊或者误诊。本论文的研究目标是建立全乳扫描机制并开发一个全新的计算机辅助自动筛查系统,该系统可以筛选出异常乳腺超声图像,提示可疑病灶请医生复查,从而减轻诊断工作量,缩短诊断时间,降低活检数,提高诊断效率和客观性。论文的第一部分根据乳腺超声视频图像特点和人体视觉暂留特性,先采用动态图像帧间降采样法,降低后期需要处理的图像数量,同时,因该方法是基于图像的相加特性,所以对图像的斑点噪声也有一定的抑制作用:再根据乳腺的解剖特性:肿瘤一般出现在乳腺腺体区域,采用Sobel算子结合位置信息提取乳腺腺体区域,从而有望提高后续可疑异常区域提取的准确率和检测速度。论文的第二部分针对医学超声图像的特征,提出了两种检测乳腺超声可疑异常区域的方法。首先针对超声图像斑点噪声、伪影、低图像对比度和图像亮度不均匀等问题,提出一种改进的简化PCNN(Simplified pulse coupled neural network, SPCNN)结合模糊互信息量的方法,自动检测乳腺肿瘤超声图像的可疑异常区域。该方法基于待分割图像的空间和灰度特性自动确定PCNN网络参数,较好地解决了PCNN需要人工调整参数的问题,并以最大模糊互信息量作为最优分割判决标准对图像进行分割,增加算法对噪声的鲁棒性。该方法一定程度上提高了乳腺超声图像可疑异常区域检测的准确率,但是速度方面有待进一步提高。接着针对乳腺超声视频图像对运算速度和提取正确率的要求,提出一种基于区域纹理的多尺度Ncut法,自动检测乳腺肿瘤超声动态图像可疑异常区域。该方法针对乳腺超声视频数据量大、运算所需空间大等特点,先将多尺度Ncut法引入乳腺超声视频图像的分割,并加入区域纹理特征,在一定程度上消除了灰度泄露、声影等对边缘提取结果的不利影响;然后利用区域的灰度、形状等特征去除一部分非肿瘤区域,从而得到可疑异常区域,该方法相对于改进的简化PCNN结合模糊互信息量的方法在成功率和速度上都有很大的提高。论文的第三部分分析了正常、异常乳腺超声图像的特征区别以及动态图像的特点,结合信号处理和图像处理知识,提取出鲁棒性强的3类帧内特征和3类帧间特征,基于支持向量机进行分类,去除若干与肿瘤相似的组织区域,从而达到降低病灶检测假阳性率的目的。采用基于上述三部分内容搭建的计算机辅助乳腺肿瘤筛查系统,对临床采集的40例患者共包含480个乳腺超声视频序列进行识别,结果表明:系统在保证假阳性小于40%的情况下,基本可以识别所有的异常区域。因此,本论文建立的该系统可以自动识别和定位乳腺超声图像中的异常区域,在保证较高诊断正确性的前提下提高了诊断的效率和客观性,并且运算量低,基本可以实现实时诊断,有望起到乳腺肿瘤超声筛查的作用。