在全球范围内,乳腺癌是女性健康的常见杀手之一,日益引起国际社会的高度重视。但目前来看,医学界并没有给出乳腺癌的确切起因,只分析了危险因子及诱发因素,乳腺密度作为乳腺异常的一个估量指标,引起了医学界一定的重视。本文以乳腺疾病筛查首选的乳腺钼靶X线图像为研究对象,旨在探索及研究基于乳腺钼靶X线图像的乳腺密度分类预测方法,提高乳腺疾病早期筛查的准确率。通过探索和总结国内外学者在乳腺密度分类方面的研究现状,本文提出了一种基于多分类器竞争的乳腺密度分类方法,该方法主要包括乳腺腺体组织分割、腺体特征提取及乳腺密度分类三部分,接下来简要介绍本文的工作:1.乳腺腺体组织分割。依据乳腺密度定义——与乳腺腺体组织相关的高亮区域表征乳腺密度。因此本文首先分割出乳腺腺体组织,探讨基于腺体组织的乳腺密度分类方法。为了获得精确的纤维腺体组织区域,先对原始图像做预处理,去除标签、胸肌和背景区域的干扰;接着采用形态学顶帽变换和非线性策略增强图像,达到凸显高亮腺体区域的目的;最后采用高斯混合模型(Gaussian Mixture Model,GMM)分割出腺体组织。2.腺体特征提取。GMM获取的乳腺腺体组织,继承了乳腺钼靶X线图像的特殊性和复杂性。本文基于图像的灰度信息,计算灰度描绘子,主要包括能量、熵、均质性、最大相关系数等;针对腺体组织的纹理显著性,计算粗糙度、对比度、方向度、线性度和粗略度等五类纹理描绘子;最后,提出了密度描绘子的概念,用来表征归一化的乳腺腺体组织相对于乳腺区域所占的比例,用以描绘腺体组织的全局特征。以上三类特征构成密度相关的特征向量,用于后续的乳腺密度分类。3.乳腺密度分类。本文采用了基于反向传播(Back Propagation,BP)神经网络分类器、学习向量量化(Learning Vector Quantization,LVQ)神经网络分类器、随机森林(Random Forest,RF)分类器和极限学习机(Extreme Learning Machine,ELM)分类器相结合的多分类器竞争机制进行乳腺密度分类,并在乳腺钼靶X线影像分析数据库(Mammographic Image Analysis Society,MIAS)中的209幅正常图像及美国南佛罗里达大学的数据库(Digital Database for Screening Mammography,DDSM)的320幅正常图像上进行验证,分别取得91.67%和83.75%的分类准确率,该结果证明了本文方法的准确性和可行性。