论文部分内容阅读
乳腺癌是一种常见的恶性肿瘤,早期诊断和治疗是降低乳腺癌死亡率的关键。乳腺钼靶X线摄影是目前诊断乳腺癌的首选方法,肿块是乳腺癌在X线图像上的主要表现之一。但由于早期乳腺癌的影像学特征并不十分明显,因而即使经验丰富的医生也很难及时和准确地发现图像中所有可能的病变区域。随着医学和计算机技术的迅速发展,根据乳腺钼靶X线摄影来进行乳腺中肿块及微钙化点的计算机辅助检测已成为乳腺癌早期诊断的研究热点。一个好的计算机辅助检测系统应该能够有效地防止由于视觉疲劳和疏忽而造成的误诊和漏诊,帮助医生更好地识别图像中的微小病变。本文提出了一个综合的检测方案来进行乳腺X线图像中肿块的自动检测。首先,对原始LJPEG(Lossless JPEG)乳腺X线图像进行解压等预处理。然后,运用一种有效的基于数学形态学的图像增强方法对乳腺X线图像进行处理,有效地抑制了图像中的背景区域和噪声,凸现了肿块区域;在此基础上,提出了一种结合Otsu快速多阈值算法与改进分水岭算法相结合的分割方法对乳腺X线图像进行分割处理,得到感兴趣区域(ROI);由于一些低密度肿块区域的存在,使得提取出的感兴趣区域(ROI)中可能存在大量假阳性区域,本文运用基于灰度共生矩阵的纹理特征,通过BP神经网络进行第一个分类器设计,对正常组织和异常组织进行分类决策,实验结果表明检测效果良好;由于第一个分类器分类出来的异常组织中又存在良性肿瘤与恶性肿瘤,为了进一步确认肿块的良恶性,本文利用图像分割中的区域增长技术实现肿瘤边缘的准确定位,提取了紧凑度、Krawtchouk矩和傅立叶描述子三个肿瘤形状特征。通过BP神经网络进行第二个分类器设计及决策。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。