乳腺癌是一种常见的妇科恶性肿瘤。早期诊断和早期治疗是降低乳腺癌死亡率的关键。随着计算机图象处理技术的飞速发展,基于传统乳腺X线影像的计算机辅助检测微小钙化点已经成为乳癌早期诊断的研究热点。微钙化点是乳腺X线影像上的独立或成簇分布的亮点,它们表征乳腺癌的早期症状。由于乳腺图片本身规模大、复杂且噪声多,微钙化点很难被直接检出。而找出图片中可能含有钙化点的感兴趣区域(ROI)可以大大减少病变检测的复杂度,首先对于有病灶的图像可以缩小检测钙化点的范围,减轻检测和诊断的难度。对于没有病灶的图像,可以整张排除掉。由于在实际的乳腺病普查工作中,发现有病变的图像仅仅占所有图像的0.5%,正常图像占了极大部分,即使去除部分没病的图像也可节省医生的大量工作。所以寻找ROI对于整个计算机辅助乳腺病诊断系统来说有着非常深刻的意义。本文中,我们提出一种寻找钙化ROI的新方法:先利用简单的灰度分布特征去掉图像的黑色背景;然后根据平均灰度、灰度方差、能量方差这三个特征,利用代价不均衡神经网络分类器(ANN)去掉乳腺组织中容易辨识的不含微钙化的区域。图像中剩下的都是从块的整体特征中很难分辨出有无钙化点簇的区域。形态学带通滤波(MBF)算法尽管能快速检出钙化点,但精确不足。高斯-拉普拉斯(LoG)算子尽管能比较精确地检出钙化点的位置但较费时。我们提出了一种结合上述两者优点同时能克服其缺点的钙化点检测新方法MLoG,对剩下的区域进行检测,获得可能含有钙化点簇(MCC)的区域。所提方法可在尽可能短的时间内获得比较准确的ROI。在南京中大医院乳腺病数据集208张图像上的所得的实验结果表明,所提方法可平均去除99%的无病变区域,而在其中70张正常图片中,正常图片的排除率达34%,每张图的平均处理时间为101秒。