本项研究是受国家自然科学基金资助的,课题名为“基于医学图像数据挖掘技术的研究”。在分析阐述智能化数据挖掘算法的基础上,研究了神经网络理论、粗糙集理论等在医学影像领域应用的关键技术,并以乳腺癌诊断为原型,做了一些深入的研究和尝试。主要从事了以下几方面的研究: 1、研究并且比较了BP神经网络和径向基神经网络的优缺点,设计并实现了基于乳腺肿瘤形状特征的两种神经网络分类器,试验表明径向基分类效果优于BP,分类效果较理想。 2、深入研究了粗糙集(RS)理论: 提出并实现了一个属性约简和规则提取的集成算法。将此集成算法应用于生理切片数据(来源于UCI数据库)并提取出精简规则,这些规则相比原数据更利于人们理解,并且有助于医生快速了解病人病情。 粗糙集理论进行属性约简不需要先验知识,完全是根据数据库中的值进行约简,而且与值的具体大小没有关系。特别适用于离散数据,所以应用粗糙集处理连续属性之前必须先进行离散化,本文深入探讨了各种属性离散化算法,试验表明离散化算法在一定程度上影响约简属性。 3、图像增强和形状特征提取 根据医学图像的特点,改进了基于RS的图像增强算法并且首次将其应用于医学领域,并和直方图均衡化算法进行比较;实验表明基于RS的增强算法增强效果明显,优于直方图均衡化算法。 利用区域增长的图像分割技术实现肿瘤边缘的准确定位,并且提取了紧凑度、傅立叶描述子、不变矩作为边缘形状特征,实验结果表明,这些特征很好地刻画了肿瘤的边缘形状,对区分良性肿瘤和恶性肿瘤非常有效。 4、将上述算法集成应用,设计并实现了一个乳腺癌辅助诊断系统(系统中的乳腺片子来自于MAIT数据库),系统界面友好,扩充性好,且可以实现乳腺癌的正常/异常,良性/恶性诊断,准确率较高。