乳腺癌是女性常见的恶性肿瘤。对适龄人群定期进行乳腺癌筛查可以及早发现早期乳腺癌并实施治疗,能显著降低乳腺癌患者的死亡率。然而乳腺癌筛查人口众多,放射科医师需要在短时间内判读大量X线影像,工作量巨大,容易出现误诊和漏诊。近年来,计算机辅助检测(CAD)技术逐渐应用于乳腺癌筛查工作,有效地提高放射科医师的工作效率,并减少了误诊和漏诊。成簇微小钙化灶是乳腺癌的重要x线征象,检测和识别乳腺X线图像中的钙化灶已成为乳腺癌筛查CAD系统的研究热点之一。国内外学者对自动检测钙化灶的研究已持续了20余年,许多文献报道的检测准确率也较高。但是,计算机辅助检测与识别钙化灶的研究仍然存在一些缺陷:　　其一,国内外对钙化灶检测的研究多是针对乳腺X线图像中常见的颗粒状钙化灶的检测,而对其他恶性程度很高的钙化灶类型(如细小多形性钙化及细小分支状钙化等)检测的研究很少。　　其二,许多学者在研究钙化灶识别算法时用人工方式确定一些含有钙化灶的ROI作为训练分类器的学习样本集和测试分类器性能的测试样本集。这样选取样本集的方法很可能使实际识别性能远低于文献报道的实验结论。此外,CAD的目的在于从大量待查乳腺X片中筛选出阳性或可疑阳性的影像提供给放射学专家作进一步诊断,从而提高筛查的效率。CAD的这种工作模式也不允许由人工确定ROI。　　基于以上几点,本文提出一种多尺度、多方位划分子图、自动确定ROI的方法,既有利于检测和识别ROI中的钙化灶,也符合乳腺癌筛查CAD运行模式的要求。本文采用多级支持向量机(SVM)分类器,在每级分类器中采用包括小波变换参数、Gabor变换参数、灰度共生矩阵等的不同特征向量,检测乳腺X线图像中的钙化灶并识别其类型。本研究对DDSM数据库内乳腺X线图像进行测试,结果显示乳腺x线图像钙化灶检测灵敏度达到98％。　　本文的工作主要分为三个部分:　　一,采用阈值分割法排除乳腺X线图像中的背景区域,提取乳房区域作为检测范围。　　二,将乳腺X线图像多尺度、多方位地划分为若干张子图作为ROI,对每张子图提取包括小波变换参数、Gabor变换参数、灰度共生矩阵等53个特征参数,采用fisher系数评价特征参数的分类性能。　　三,采用多级SVM分类器逐一排除各种不包含钙化灶的阴性子图,检测出的包含钙化灶的阳性子图,并识别其类型。