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...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.展开更多
文摘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.
文摘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。