基于BI-RADS超声风险分层系统的乳腺图像特征与腋窝淋巴结转移的相关性研究

目的:探究基于美国放射学会(ACR)乳腺影像报告与数据系统(BI-RADS)的乳腺图像特征与腋窝淋巴结转移(ALNM)的相关性。方法:选取2020年3月至2023年1月期间本院收治的165例乳腺癌(BC)患者171个乳腺病灶作为研究对象,所有患者进行乳腺超声(US)检查,分析BC的超声图像特征与ALNM的相关性。结果:BC患者ALNM与钙化灶有无存在显著相关性(P<0.05),与肿瘤单发/多发或弥漫、血流丰富程度、病灶最大径存在极显著相关性(P<0.001),与形态、边缘、纵横比、后方回声无显著相关性(P>0.05);将单个超声图像特征与ALNM相关的4个指标作多因素分析,钙化灶、血流丰富程度、肿瘤数量、最大径的相对危险度分别为:0.943、8.216、2.768、3.867,其中血流丰富度对于判断ALNM的意义较大;具有4个或5个恶性超声图像特征的乳腺病灶的ALNM阳性率较高。结论:基于BI-RADS超声风险分层系统,可以根据不同的图像特征判定腋窝淋巴结是否转移,为临床分期和评估预后方案的制定提供可靠依据。

基于多尺度注意力小波网络的可适应病变规模超声乳腺图像分割

针对超声乳腺图像中对不同规模病变的分割鲁棒性不足的问题,提出了一种多尺度注意力小波网络(MAW-Net).通过设计两个轻量的网络模块,多尺度拼接模块和跳过连接升维模块,达到在不同尺度上集成丰富的特征和全局上下文信息,减少编码器和解码器之间的语义差距以适应不同规模病变分割的目的.并引入双树复小波变换,很好地削弱了噪声影响.在两个公共的乳腺超声数据集UDIAT和BUSI数据集上进行测试,其Dice系数分别达到91.32%和84.23%.并与其他6种先进的图像分割方法进行比较,具备强分割鲁棒性、噪声影响小等优势.

利用改进CV模型连续水平集算法的核磁共振乳腺图像分割

针对核磁共振乳腺图像边界弱、信息量大、信噪比低的问题,提出一种基于改进Chan-Vese(CV)模型的连续水平集分割算法。该算法利用B样条基函数将传统离散水平集函数表示成连续形式,用解决B样条空间的变分问题代替水平集函数更新的计算问题;通过引入转移Heaviside函数,构造α-CV模型作为能量函数模型。实验结果表明,与传统CV模型离散水平集方法相比,该算法可以避免局部极小值的现象,提高分割精度,有效抑制噪声,分割迭代次数降低了101数量级,并且可以准确、稳定地实现低信噪比、弱边界的核磁共振乳腺图像分割。

基于先验模型和区域生长的乳腺图像钙化点检测

早期乳腺癌的一个重要特征就是钙化点,快速准确地找出乳腺图像中的钙化点是成功诊断的第一步。提出了一种先验模板和区域生长的钙化点快速检测方法。根据钙化点检测的临床经验,选用一直径为0.5mm的模板找出乳腺图像中的局部峰值点。以这些峰值点为初始种子点,进行区域生长;计算每个区域的面积、平均灰度、对比度,保留满足钙化点特征的区域。根据先验知识,对生长获得的钙化点是否成簇进行判别,保留成簇的微钙化点。实验表明,该算法实现了乳腺图像中钙化点的快速自动检测,提高了医生诊断的正确性。

基于小波分析的红外乳腺图像去噪与增强的实验研究

将小波的多分辨率分析技术运用到红外乳腺图像的降噪增强处理以改善图像质量。运用不同的阈值量化策略实现图像降噪。再引入增益因子,采用基于小波变换的增强算法突出肿块阴影。通过实验将直接增强和去噪后再增强的图像进行对比可以得到清晰度更高的图像。经处理后的乳腺图像,为临床提供了更细致明确的信息,有助于提高诊断水平。

微分算子在数字乳腺图像边缘检测中的应用和分析

目的评价几种边缘检测方法在数字乳腺图像中的应用价值。方法分别使用Roberts交叉算子、Pre-witt算子、Sobel算子及Laplace算子对数字乳腺图像进行边缘检测。结果不同的方法对边缘检测的敏感程度不同,效果各异。结论微分算子边缘检测方法对于数字乳腺图像是可行的。

数字乳腺图像增强的应用和比较

数字乳腺图像是乳腺疾病诊断的依据。由于乳腺钙化的形态比较小,加之噪声的淹没,所以需要进行图像增强。不同的图像增强方法效果是不同的,通过对其的应用和比较,以期得到数字乳腺图像增强的最佳方法。

基于多尺度的乳腺图像中星形肿块检测方法

为了克服不能准确选取邻域窗口大小以提取区域特征对乳腺肿块进行诊断的困难，提出了在不同尺度的乳腺图像上对星形肿块进行检测的方法．介绍了采用小波变换对数字医学图像进行多尺度分解的思想，通过在不同尺度上提取图像的梯度特征判断星形肿块区域，并根据梯度直方图的方差特性对星形肿块进行诊断，以达到有效快速的检测目的．实验表明该方法是一种有效的星形乳腺肿块检测方法，并给出了结果分析和进一步的研究方法．

数字乳腺图像中肿块形状的图像分析

在数字乳腺X光片中分割出肿块阴影，并且判别其良恶性是乳腺疾病图像计算机辅助诊断中极为重要的一环。目前80%的肿块在数字乳腺图像上表现为团块状和针状。本论文以团块状和针状肿块为研究对象，首先提出基于近似子图加权细节子图的对比度增强方法AWDCE(Approximation-Weighted Detail Contrast Enhancement)，然后通过对31例经病理解剖确诊的团块状和针状肿块边缘的形状分析，发现可以从分形维数(Hausdorff维)上判别肿块良恶性；从李氏指数(Lipschitz)上判别肿块的形状。在测试了12幅事先不知结果的数字乳腺图像后，表明由分形维数和李氏指数作为特征值判读肿块边缘信息，得到的肿块形状和良恶性结论相当接近活检诊断结果。

基于SVM算法的乳腺图像钙化点检测方法

提出了一种基于支持向量机(SVM)算法的钙化点检测方法。通过对乳腺图像进行预处理并提取可能含有微钙化点的感兴趣区域(ROI),对样本ROI进行小波变换确定优化参数,利用SVM检测微钙化点。试验中研究了SVM参数的选取对分类效果的影响,并利用ROC评估准则对SVM的检测效果进行评估。结果表明,SVM在微钙化点检测中是有效的,解决了目前微钙化点检测中普遍存在的假阳性率高、效率低的问题。

基于多尺度空间滤波和l_1范数最近邻分类的乳腺图像微钙化点检测

钙化信息是乳腺癌早期诊断的一个重要依据,针对钙化点检测检出率较低和假阳性较高的问题,提出一种基于多尺度空间滤波和l1范数最近邻分类的乳腺图像微钙化点检测算法。首先利用多尺度空间滤波方法得到原图像的多尺度显著特征图,然后通过基于人眼视觉特性的钙化点分割方法得到粗检测钙化点的二值图像,并送入l1范数最近邻分类器去除假阳性点。仿真实验结果表明,本文的钙化点粗检测算法可较好的检测出可疑钙化点,对于对比度较低的钙化图像也可得到较好的检测结果,同时后续的分类器判决效果良好,使钙化点检测结果具有较高检出率的同时具有较低的假阳性率。

基于小波的数字乳腺图像上肿块的处理

利用对原始乳腺图像进行小波变换后得到的子图来检测肿块．肿块在数字乳腺图像频域上的表现明显异于周围区域．使用适当的小波变换能够把这种特征在变换域中比较直观地显示出来．为了检测出肿块位置，利用Biorthogonal (bior Nr.Nd)小波函数族对３９幅原始乳腺图像进行小波变换，分解为包含不同频带的子图．分析子图的结果表明：这种基于小波变换的方法可用于检测数字乳腺图像上的肿块．

一种基于相关性特征融合的乳腺图像感兴趣区域检测方法

乳腺图像的感兴趣区域(region of interest,ROI)检测是计算机辅助诊断乳腺疾病的第一步,检测效果的提升对减小误诊率有重要的作用.传统方法往往提取单独的视觉特征来描述乳腺图像,通过分类的方法找出包含肿块的区域.然而由于乳腺图像内容丰富结构复杂,使用单一的底层视觉容易忽视特征间的相互联系.提出基于相关性特征融合的乳腺图像ROI检测框架(multi-cue integration detection,MCID),通过引入乳腺图像的相关性特征,并与乳腺图像局部视觉特征相融合,辅助乳腺图像ROI的检测,以提高检测准确性.乳腺图像ROI检测实验表明,MCID可提高肿块检测的准确性.

基于特性模型与神经网络的乳腺图像肿块自动检测技术

钼靶X线摄影是最常用的乳腺癌早期诊断手段。该文针对乳腺图像中的肿块提出了一种基于特性模型与神经网络的计算机辅助诊断技术。它首先建立两种特性模型分别描述脂肪组织和腺体组织中的肿块;然后对脂肪中的肿块采用迭代阈值法进行检测,对腺体中的肿块采用小波域黑洞检索法进行标记;接着采用一种基于Canny算子和能量场约束以及ANFIS控制的填充膨胀方法分割疑似肿块;最后使用一种MLP分类器剔除假阳性。实验结果表明,该算法在面对特性迥异的多种肿块时可取得较高的检测精度,并保证较低的假阳性率。

一种应用于乳腺图像分割的改进Otsu算法

阈值法是一种得到广泛应用的图像分割方法.本文对经典Otsu算法进行了改进,并应用在MIAS和DDSM两个标准乳腺图像数据库的图像分割中.与经典Otsu及最大熵阈值法、迭代阈值法对比,本文方法的乳腺图像分割效果更好.

改进的3D Canny算子在MRI乳腺图像分析中的应用

为了突破Canny算子普遍适用于二维图像的局限性和实现大批量三维MRI乳腺图像的精确边缘提取,结合了基于二维Canny算子和三维边缘检测方面的相关知识,提出了一种基于二维非极大值理论的三维非极大值抑制新方法和迭代法自适应双阈值选取的方法;现有的三维边缘检测算子在非极大值抑制方面选取像素点,考虑x,y,z三个轴的信息,通过比较该像素点与梯度方向上两个点的幅值大小;为了简化模型,在三维空间内寻找一个角,用它取代与3个轴的梯度方向角,在此基础上实现线性插值;根据图像二维直方图的形状,采取迭代法双阈值的方法,避免了传统的人工选取阈值的繁琐;通过主观评价对边缘检测结果进行分析,结果表明,改进的3D Canny应用在MRI乳腺图像中也能达到比较好的结果。

B超乳腺图像小波阈值去噪方法研究

小波阈值去噪是小波阈去噪的主要方法之一,文中对B超乳腺图像进行噪声分析,在小波分解的基础上,将不同的阈值函数和不同方式选取的阈值相结合,分析其原理和方法,并利用Matlab实现,给出实验结果对比,为医学B超图像去噪提供参考依据。

基于PCA-RF方法的乳腺图像多类别分类研究及应用

由于乳腺图像特征维度大、特征交叉性高及有很高相似性,导致特征分类准确率不高,运行时间长,效率相对低下.提出一种基于PCA-RF进行乳腺图像多类别分类的研究方法,首先对MIAS乳腺图像进行预处理,然后运用PCA算法对乳腺图像提取的特征进行多层次降维,之后使用KNN、AdaBoost、RF对其特征进行分类.分类实验表明,对PCA降维得到乳腺图像特征再进行分类,KNN运行时间效率提高了180倍,RF分类的运行时间也减少了3.5倍.基于PCA-RF方法的乳腺图像正常、良性及恶性分类得到了93.75%分类准确率及95%的敏感性,相对于其他乳腺图像正常、良性及恶性三类别的分类方法得到的结果有所提升.

基于NSCT的乳腺图像分类方法

乳腺癌是女性最为常见的一种癌症。虽然随着医疗的发展,乳腺癌的诊断和治疗技术都有所提高,但是由于不能在乳腺癌早期及时做出诊断,导致乳腺癌的死亡率依然很高。针对此现象,对基于非下采样轮廓变换法(nonsubsampled contourlet transform,NSCT)的乳腺X线图像的分类方法进行了研究。该方法首先对乳腺X线图像的感兴趣区域(region of interest,ROI)进行多分辨的NSCT分解,然后用泽尼克矩(Z-Moments)对NSCT分解后的图像进行特征提取;其次对每一个感兴趣区域所提取的特征形成的矩阵进行奇异值分解(singular value decomposition,SVD),以提取重要的可以概括全局的特征。该方法组合了纹理和形状特征,使用支持向量机(support vector machines,SVM)分类算法将乳腺X线图像分类为正常、良性和恶性,实现了乳腺病变的检测和分类。通过实验可以看出,该方法的准确率达到了96.76%,并且训练时间大大减少,与其他目前最先进的方法相比,在准确率和时间效率上都取得了显著的成效。