乳腺癌的早期诊断和治疗是唯一能够拯救患者生命的有效途径。乳腺X线图像是目前乳腺癌普查的首选影像方法,但是早期隐匿性乳腺癌的影像学特征通常不够明显,由于受到医生主观方面的影响,很有可能出现误诊和漏诊。随着计算机技术的飞速发展,乳腺癌的计算机辅助检测技术已成为医学图像处理领域的研究热点之一,有效的计算机辅助检测方法能够辅助医生更好地理解和分析乳腺x线图像,从而提高乳腺癌的诊断准确率。肿块是乳腺癌在X线图像上的主要表现之一,由于其边缘模糊,以及与正常组织极为相似,使得肿块检测一直都是计算机辅助检测领域的研究难点。本文拟在前人的研究基础上,通过结合计算机视觉、机器学习等领域的新思想,构建肿块区域的计算机辅助检测与分析系统：(1)提出了乳腺X线图像特征分析中引入形态学成分分析的预处理方法。采用能够有效表征图像特性的子字典,在形态学成分分析框架下,将乳腺X线图像分解为包含图像主要灰度分布特性的平滑特征子图和包含了噪声、血管等在内的纹理特征子图,为感兴趣区域的检测提供了良好的预处理结果。(2)提出了一种基于肿块生长特性和自适应阈值的粗检测方法。在形态学成分分析分解所得到的平滑图像基础上,通过对灰度同心层方法的有效扩展,根据图像的直方图特性,用自适应阈值代替原来的固定分层阈值,避免了固定阈值可能造成的灰度分层不完全问题,从而能有效地检测出不同的肿块区域。(3)提出了双水平集和基于松弛形状约束的向量水平集边界提取方法。在粗检测得到的感兴趣区域基础上,引入了水平集并将其扩展为双水平集方法,通过第一个水平集获得自适应的形状约束,再根据第二个水平集精确分割结果,为了有效地捕捉肿块区域的放射状边缘特性,并进一步精确边界提取结果,将双水平集方法扩展为基于松弛形状约束的向量水平集方法,通过融合多种图像特征,结合基于区域和基于边缘的水平集方法,得到了较好的边界提取结果。(4)提出了一种基于成对约束支持向量机的主动学习方法,并应用于肿块区域的精检测中。在进行了肿块区域边界提取后,分析了肿块的内部区域特征,并在此基础上考虑同类型但差异较大的肿块区域,以及不同类型但差异较小的肿块区域之间的约束特性,引入了成对约束的支持向量机方法,通过主动学习策略从检测结果中选择具有约束特性的样本进行反馈,进一步提高了系统的检测性能。(5)提出了基于Bag of Words模型和多尺度部分塔形匹配的肿块检索模型。相似病例的检索能够为准确诊断提供良好的参考及帮助,因此,在精检测得到了各种类型的肿块区域之后,通过Bag of Words对肿块区域特性进行建模,再将部分塔形匹配核函数扩展为跨尺度多分辨率下的部分匹配方法,以此为肿块区域检索建立分级匹配规则,从而搜索到与查询病变区域相似的病例,为计算机辅助诊断系统提供了良好的分析基础。总之,本文将计算机视觉及机器学习领域方法与医学图像处理相结合,所构建的肿块区域计算机辅助检测与分析系统能够有效地检测到各种类型的肿块区域,并能得到较好的边界提取结果,为计算机辅助诊断系统的理论研究提供了新思路。