学位论文 > 优秀研究生学位论文题录展示

基于钼靶图像的计算机辅助乳腺癌检测系统中关键技术研究

作　者: 刘俊
导　师: 陈建勋; 唐金山
学　校: 武汉科技大学
专　业: 机械电子工程
关键词: 钼靶图像增强乳腺肿块检测肿块分割特征提取肿块分类基于内容的图像检索
分类号: TP391.41
类　型: 博士论文
年　份: 2012年
下　载: 161次
引　用: 0次
阅　读: 论文下载

内容摘要

乳腺癌是女性最常见的恶性肿瘤之一，早期的检测能极大地降低死亡率。钼靶成像技术采用低剂量X射线检查妇女的乳房，是临床上女性乳腺癌疾病最常用的检测手段。医生通过观察钼靶图像中的钙化、肿块等异常区域来诊断妇女乳腺癌，但是图像的阅读对医生的临床经验要求较高，诊断结果往往也会受主观因素的影响，因此研制可靠的计算机辅助诊断系统具有重要的现实意义。本文主要对基于钼靶成像技术的计算机辅助癌症诊断系统的一些关键技术进行了研究，主要开展的工作如下：1）图像增强是计算机辅助癌症诊断系统中得到医生肯定的一种技术并得到了广泛的应用。本文对JPEG压缩图像的增强技术进行了研究，提出了一个新的基于DCT域的JPEG压缩的图像的增强算法。在该算法中，根据用户给定目标的对比度值和视觉质量要求，先增强每个DCT块，再将整个图像进行解压，采用遗传算法搜索最优参数设置来对图像进行增强。通过客观测试和主观测试，这种新的算法有效减少增强效果所带来的边块效应，大大提高了医生对乳腺非正常区域的辨别。2）目前肿块的分割多采用人工方式或半自动分割方式，人工分割方式效率不高，半自动分割方式也需要人工干预，本文将两种常用的图像分割方法进行了结合，提出了一种全自动的乳腺肿块分割算法。该算法先用标记分水岭算法对乳腺肿块进行粗分割，然后使用本文改进的水平集活动轮廓方法对肿块进行精确分割。分水岭分割运行速度快，水平集方法分割精准，新的算法结合这两种方法的优点，加快了整个分割处理的过程，并提高了分割效率。此外，该方法具有良好的拓扑适应性，它可以处理形状较为复杂的乳腺肿块。3）典型的良性肿块具有圆形、平滑且清晰的边界特征，而恶性肿瘤通常具有多刺、粗糙且模糊的边界特征，边界的特征是肿块良恶性诊断的重要依据。乳腺肿块区域被分割出来以后，除了提取肿块的统计特征、几何特征和纹理特征等常用特征以外，本文提出了梯度信息中的一套新特征。该特征由乳腺肿块边界及肿块与图像背景间带状区域所提取，用来表达基于轮廓像素相对梯度走向的突刺结构，此类特征的增加提高了分类结果的准确率。此外，本文在经典LBP（局部二进模式）的基础上提出了ILBP（改进的局部二值模式）算子。该算子将图像块的中位数作为新的阈值，并且保持了中心像素值的信息。从1×1到9×9的图像块提取ILBP特征以后的分类结果表明使用新特征的分类准确率比使用原始的LBP特征的分类准确率提高了5%左右。4）肿块分类可作为计算机辅助诊断乳腺癌的重要依据。目前乳腺肿块的分类主要基于单分类器算法或改进算法。为了满足对肿块特征普适性和鲁棒性的要求，本文将诸多特征融合来训练分类器；同时研究了各种不同的分类算法来识别肿块的良恶性，包括LDA（线性判别分析）+KNN（K最邻近结点算法），RF（随机森林）算法和SVM（支持向量机）等;并在大型数据样本集中对上述算法进行了评价和测试，为形成高精度的乳腺癌肿块异常区域检测和良恶性识别算法提供坚实的基础。5）数字化技术的显著进步和医学影像数量的几何级增长，医生对相似病例的图像查阅工作变得更加困难和耗时。本文还设计并实现了一个基于纹理特征的乳腺癌肿块图像检索系统；该系统主要根据输入图像的纹理特征，计算输入图像和样本图像的相似度，实现了特征提取、查询、匹配、显示等功能。系统仿照医生诊断的一般流程，返回的相似参考病例图像，有效地辅助医生从大量的经验数据中得到经验值，从而对当前病例的确定提供帮助。

全文目录

摘要  4-6
Abstract  6-8
目录  8-11
第一章绪论  11-22
  1.1 研究背景与意义  11-14
  1.2 国内外研究现状  14-18
  1.3 本文的主要工作  18-20
  1.4 论文的组织结构  20-22
第二章基于DCT域的图像增强  22-32
  2.1 引言  22-23
  2.2 理论基础  23-26
    2.2.1 离散余弦变换方法  23-24
    2.2.2 遗传算法  24-26
  2.3 基于DCT域的图像增强算法  26-28
    2.3.1 增强因子矩阵  26-27
    2.3.2 测量标准  27-28
    2.3.3 基于GA的参数优化  28
  2.4 实验结果  28-31
  2.5 小结  31-32
第三章基于标记分水岭和水平集算法的肿块分割算法  32-51
  3.1 引言  32-33
  3.2 理论基础  33-41
    3.2.1 分水岭算法  33-35
    3.2.2 滤波算法  35-38
    3.2.3 改进的水平集方法  38-41
  3.3 基于标记分水岭和水平集算法的肿块分割算法  41-42
  3.4 实验结果  42-48
  3.5 算法评价  48-50
  3.6 小结  50-51
第四章乳腺肿块的特征提取  51-64
  4.1 引言  51-52
  4.2 肿块的特征  52-63
    4.2.1 统计特征  52
    4.2.2 几何特征  52-57
    4.2.3 纹理特征  57-59
    4.2.4 改进的局部二值模式  59-63
  4.3 特征的降维  63
  4.4 小结  63-64
第五章乳腺肿块良恶性分类及评价  64-77
  5.1 引言  64
  5.2 肿块分类算法  64-67
    5.2.1 随机森林算法  65
    5.2.2 SVM 算法  65-67
    5.2.3 KNN算法  67
  5.3 肿块分类性能评估方法  67-68
    5.3.1 错误率  68
    5.3.2 真阳性率和假阳性率的评估  68
  5.4 分类结果及评价  68-76
    5.4.1 基于随机森林的分类结果  68-70
    5.4.2 基于ILBP算子的分类结果  70-72
    5.4.3 基于水平集分割的分类结果  72-76
  5.5 小结  76-77
第六章基于纹理特征的乳腺肿块检索  77-88
  6.1 引言  77
  6.2 乳腺X线图像特征提取  77-78
  6.3 图像检索的特征选择  78-79
  6.4 数据标准化  79-80
  6.5 衡量相似度  80-83
    6.5.1 概述  80
    6.5.2 几何相似性测度  80-82
    6.5.3 非几何相似性测度  82
    6.5.4 本系统的匹配方法  82-83
  6.6 系统设计及实现  83-86
    6.6.1 系统工作流程  83-84
    6.6.2 图像检索系统的功能  84-85
    6.6.3 软件运行效果图  85-86
  6.7 系统性能评估  86-87
  6.8 小结  87-88
第七章总结与展望  88-90
  7.1 全文总结  88
  7.2 研究展望  88-90
附录A 标准X线乳腺图像数据库  90-92
附录B MammoFeat数据结构的描述  92-95
参考文献  95-104
致谢  104-105
攻读博士学位期间的学术成果  105-106
攻读博士学位期间主持及参与项目情况  106

基于钼靶图像的计算机辅助乳腺癌检测系统中关键技术研究

内容摘要

全文目录

相似论文