学位论文 > 优秀研究生学位论文题录展示

乳腺癌X线图像的钙化点计算机辅助检测

作　者: 李国利
导　师: 刘惠
学　校: 大连理工大学
专　业: 生物医学工程
关键词: 乳腺X线图像钙化点 BP神经网络图像分割
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 33次
引　用: 0次
阅　读: 论文下载

内容摘要

乳腺癌是女性常见的恶性肿瘤之一,严重威胁着女性健康,及早发现和治疗是降低乳腺癌死亡率的关键。微小、颗粒状的钙化点是早期乳腺癌的一个重要特征,据统计30%-50%的乳腺恶性肿瘤伴有钙化点。乳腺X线摄影简单经济,对早期乳腺癌的病理表现有明显表征,因此借助乳腺X线影像检测钙化点是乳腺癌早期诊断的重要技术。但是钙化点小且形状不规则,和一些致密组织及血管等的阴影十分相似,大部分钙化点在人眼识别时不易被察觉,使得钙化点的诊断成为医生的棘手问题。随着现代医学成像技术的迅猛发展,借助计算机及人工智能技术的钙化点计算机辅助检测成为可能,而且为医生提供了一个有价值的参考意见,减少医生在大范围内查找病变区域的工作量；另一方面使X线的影像学诊断更为客观化,减少因为医生经验不足造成的误诊和漏诊。因此,利用计算机辅助手段提高钙化点检测的准确率是目前众多学者研究的热点。本文以钙化点检测展开,对早期乳腺癌中钙化点的计算机辅助检测技术进行探索,依照乳腺X线图像的数据准备、乳腺区域提取、特征提取及分类、钙化点区域提取和定位的次序,针对乳腺X线图像进行钙化点的检测研究。主要研究内容和成果有以下几个方面：(1)实现了乳腺区域的自动提取,降低了背景对钙化点检测可能造成的干扰,并且能够有效的降低运算量,为后续的钙化点检测做好准备。(2)由于钙化点微小,与背景对比度差,本文采用了对像素进行特征提取的方法,此外根据医生提供的标准区域的特点,提出进行钙化点的分割以选取正样本像素；对样本进行特征提取及选择。(3)设计和训练神经网络分类器,基于选择出的特征子集构建神经网络,在训练网络时,采用了样本分组模式,通过校验样本优化分类性能,最终选出最优分类器。(4)用设计出的分类器对乳腺X线图像进行测试,通过对伪钙化点的形状分析后,较好的去处了伪钙化点,提高了检测的准确率,并实现了计算机辅助检测的目的。在上述思路下,本文以DDSM数据库和MIAS数据为基础,进行分析处理后,依乳腺区域提取、特征提取、神经网络设计及图像测试的步骤,进行最后试验,验证了算法的可行性和有效性,达到了计算机辅助检测的目的。

全文目录

摘要  4-5
Abstract  5-9
1 绪论  9-16
  1.1 研究的背景及意义  9
  1.2 乳腺癌影像学诊断方法  9-11
  1.3 计算机辅助诊断的研究状况  11-12
  1.4 钙化点检测算法研究  12-13
  1.5 论文的内容及框架安排  13-16
2 乳腺区域提取  16-26
  2.1 乳腺区域分割的目的和难点  16-18
  2.2 阈值分割和形态学处理  18-20
  2.3 乳腺区域提取算法  20-25
    2.3.1 乳腺区域提取方法  20-21
    2.3.2 乳腺区域提取实现  21-25
  2.5 本章小结  25-26
3 钙化点的特征提取和选择  26-34
  3.1 样本选择  26-27
  3.2 特征提取  27-31
  3.3 特征选择  31-33
  3.4 本章小结  33-34
4 基于神经网络的特征分类  34-42
  4.1 分类器介绍  34-35
  4.2 BP神经网络分类器  35-38
  4.3 BP神经网络分类器设计及评价  38-41
    4.3.1 BP神经网络的设计  38-39
    4.3.2 性能评估  39-41
  4.4 本章小结  41-42
5 钙化点检测实验及结果分析  42-53
  5.1 乳腺X线图像获取  42-46
    5.1.1 数据库的介绍  43-44
    5.1.2 图像格式转换  44-46
    5.1.3 图像采样和量化  46
  5.2 钙化点提取  46-52
    5.2.1 钙化点检测  46-47
    5.2.2 钙化点识别  47-52
  5.3 本章小结  52-53
结论  53-54
参考文献  54-57
攻读硕士学位期间发表学术论文情况  57-58
致谢  58-60

乳腺癌X线图像的钙化点计算机辅助检测

内容摘要

全文目录

相似论文