基于简化的PCNN在超声乳腺癌图像去噪方面的应用

针对乳腺癌超声图像中斑点对诊断的影响,提出一种基于简化的脉冲耦合神经网络(simplified pulse-coupled neuralNetwork,SPCNN)的去噪新方法,并将此方法应用于乳腺癌超声图像滤波。首先利用简化的PCNN定位极端脉冲噪声点并利用中值滤波滤除椒盐噪声,然后利用PCNN赋时矩阵采用分类滤波自适应调节灰度值滤除高斯噪声。用实验图像验证了方法的有效性,然后将此方法应用于乳腺癌的超声图像中进行滤波,实验结果证实该方法对混合噪声在滤波效果和保护细节方面具有优势,对乳腺癌的超声图像能较好地滤除噪声,同时保证了细节,结合医学诊断证实了该方法的有效性。

超声数据分级系统在乳腺癌诊断中的应用及其征象与免疫组化受体表达的相关性分析

目的通过对乳腺癌超声数据分级系统的诊断价值及其征象与雌激素受体(ER)、孕激素受体(PR)以及人表皮生长因子受体2(Her-2)的相关性进行研究。方法选取以2012年5月至2014年5月就诊的68例乳腺癌患者作为研究对象,并根据乳腺超声图像报告和数据系统(BI-RADS)分级原则进行分级。术后对切除的乳腺肿瘤进行病理学分型分级,并对ER、PR以及Her-2阳性率进行测定,从而研究其与超声数据分级及征象的相关性。结果 BIRADS 3级以良性乳腺肿瘤为主,BI-RADS 5级以恶性乳腺肿瘤为主。BI-RADS 3、4、5级的乳腺肿瘤诊断准确率分别为66.67%、72.22%和97.87%。BI-RADS分级对乳腺肿瘤诊断的阳性预测值及阴性预测值分别为97.87%和66.67%。纵横比≥1、内部回声均匀以及微钙化的超声征象显示出较低的ER、PR阳性率和较高的Her-2阳性率(P<0.05)。结论乳腺癌的BI-RADS分级与病理学分型分级具有良好的相关性,对乳腺肿瘤诊断的准确性较高。并且超声征象与ER、PR以及Her-2具有一定的相关性,为预后以及治疗方案的选择提供了依据。