摘要：乳腺X光片中的微钙化簇检测和分类是乳腺癌诊断过程中非常重要的步骤。文章提出了一种用于数字化乳腺X光片中微钙化簇的良恶性判断的计算机自动检测方法。检测通过三个步骤实现：团簇检测、特征提取、分类。在分类阶段，使用基于规则的系统对原始的特征集增强，利用人工神经网络和支持向量机分类技术，分类结果使用ROC曲线来评价。试验结果表明，SVM算法的分类性能高于神经网络分类方法，其中增强后的特征集只对神经网络分类方法起作用。
　　关键词：支持向量机(SVM)；微钙化簇分类；人工神经网络(ANN)；受试者工作特征(ROC)
　　
　　引言
　　
　　CAD系统可以为放射科医生提供一个可靠的第二意见，该系统结合图像分析和人工智能技术，目的是提供准确的、客观的、可移植的乳腺X光片解释。相应的解释程序需要解决两个主要问题，第一个问题是需要对数字化的乳腺X光片进行预处理和检测出包含可疑病灶的ROI区域。这个问题或者由计算机系统自动来实现或者由放射科医生人工完成，目前已经提出很多种特征提取方法，比如数学形态学分析，纹理特征提取，分形，直方图统计学和小波分析等等，其中很多方法得到了较高的分类性能。第二个问题相比起来更加困难，要判断病灶是良性的还是恶性的。现也已经提出了一些方法，比如决策树、线性判别式分析、k近邻法和人工神经网络。
　　本文提出了判断微钙化簇为良性或恶性的计算机自动检测方法。这个方法包括了三个步骤：首先，执行团簇检测程序判断微钙化团簇；其次，计算这些团簇的重要特征；最后，将这些特征作为分类系统的输入以提供最后的诊断结果。基于神经网络和支持向量机的两种不同的分类计划用于实现和测试，分类器的性能使用ROC曲线来评估。
　　
　　注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文