论文部分内容阅读
目的：研究乳腺肿块的分割方法，对不同的分割方法做比较，并在对乳腺肿块正确分割的基础上，实现乳腺肿块的计算机辅助诊断，将诊断结果与活检结果做比较。
材料与方法：本研究选取经活检证实的含肿块的乳腺CR图像。所用图像采自GELmsg&一178-2-2DMR+，Kodak专用IP分辨率20pixels／mm，像素大小为50／цm×50am。
本研究用一种新的分割方法一动态规划法，同时用传统的方法一区域增长法和阈值法对乳腺肿块进行分割，通过用计算重叠率的方法将三种分割方法与手工分割的结果进行比较。对40幅分割后的图像提取特征输入人工神经网络，其中25幅用于训练，15幅用于测试，网络的输出表示肿块良恶性可能性大小。
结果：本研究用三种分割方法：动态规划法、区域增长法和阈值法实现了对乳腺肿块的分割，通过计算40幅图像三种分割方法与手工分割的重叠率，结果表明三种方法与手工分割的重叠率分别为：0．70±0．069，0．60±0．066和0．66±0．066。对动态规划法的分割结果提取肿块特征作为神经网络的输入变量，用训练后的网络对15幅含肿块的图像进行测试，将神经网络的输出与活检结果比较，结果表明神经网络对良性肿块的正确诊断率为85．7﹪，对恶性肿块的正确诊断率为75﹪。
结论：本研究用三种方法实现了对乳腺肿块的分割，同时与手工分割法做比较，通过计算重叠率可以看出在对乳腺肿块的分割中，三种分割方法的分割结果均有显著性差异，动态规划法优于区域增长法和阈值法。通过神经网络对乳腺肿块的良恶性进行分类，可以实现乳腺肿块的计算机辅助诊断，有助于协助放射工作人员对乳腺肿块的诊断。